Ergodic descriptors of nonergodic stochastic processes
非遍历随机过程的遍历性描述指标AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要主要讨论生理与心理随机过程的统计描述，未明确对应所列经济计量应用，也未提出具体因果识别方法，故不细分。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
非遍历随机过程的遍历性描述指标
- 研究问题
- 在远离均衡的生理与心理随机过程中，怎样构造稳定的统计描述，使群体平均与个体时间平均不一致时仍能进行可靠分析？
- 方法与思路
- 作者比较标准差、变异系数和均方根等线性指标，与描述序列结构及非线性的分形、多重分形指标，考察其平稳性和遍历性。
- 材料陈述的贡献
- 摘要称，传统线性指标可能表现出非平稳性，而所考察的分形和多重分形统计量满足遍历性，因而可补充传统动态描述。
- 阅读关注点
- 阅读时应核对过程与统计量的遍历性定义、检验或证明方式、观察窗口的影响，以及所述指标性质能否推广到其他数据。
- 阅读边界
- 所用版本为 arXiv 预印本，同行评审及期刊接收未核验；摘要未说明具体过程与证明条件，提及因果研究不等于提供因果识别。
原文摘要
The stochastic processes underlying the growth and stability of biological and psychological systems reveal themselves when far from equilibrium. Far from equilibrium, nonergodicity reigns. Nonergodicity implies that the average outcome for a group/ensemble (i.e., of representative organisms/minds) is not necessarily a reliable estimate of the average outcome for an individual over time. However, the scientific interest in causal inference suggests that we somehow aim at stable estimates of the cause that will generalize to new individuals in the long run. Therefore, the valid analysis must extract an ergodic stationary measure from fluctuating physiological data. So the challenge is to extract statistical estimates that may describe or quantify some of this nonergodicity (i.e., of the raw measured data) without themselves (i.e., the estimates) being nonergodic. We show that traditional linear statistics such as the standard deviation (SD), coefficient of variation (CV), and root mean square (RMS) can show nonstationarity, violating the ergodic assumption. Time series of statistics addressing sequential structure and its potential nonlinearity: fractality and multifractality, change in a time-independent way and fulfill the ergodic assumption. Complementing traditional linear indices with fractal and multifractal indices would empower the study of stochastic far-from-equilibrium biological and psychological dynamics.