Non-Asymptotic Analysis of Classical Spectrum Estimators with $L$-mixing Time-series Data
L-mixing 时间序列下经典谱估计量的非渐近分析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：摘要直接研究依赖时间序列的谱估计及 Bartlett、Welch 方法的有限样本误差。
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…
关注这篇论文的作者
L-mixing 时间序列下经典谱估计量的非渐近分析
- 研究问题
- 如何在比既有研究更宽的时间依赖条件下，为 Bartlett、Welch 等非参数谱估计方法建立有限样本误差界？
- 方法与思路
- 作者以 L-mixing 随机过程为数据条件，推导一类经典非参数谱估计量的非渐近误差界，并讨论自回归和几何遍历马尔可夫过程。
- 材料陈述的贡献
- 摘要称，新误差界覆盖此前条件难以容纳的非线性现象，且与较受限环境下的既有界相比，仅相差对数因子。
- 阅读关注点
- 应核对 L-mixing 的定义和可验证性、误差所用范数、概率保证、调节参数选择，以及对数因子和界中常数的实际影响。
- 阅读边界
- 这是预印本，不能据此声称已同行评审或期刊接收。摘要未给出误差界公式、常数或样本要求，不能据此判断具体数据中的精度。
原文摘要
Spectral estimation is a fundamental problem for time series analysis, which is widely applied in economics, speech analysis, seismology, and control systems. The asymptotic convergence theory for classical, non-parametric estimators, is well-understood, but the non-asymptotic theory is still rather limited. Our recent work gave the first non-asymptotic error bounds on the well-known Bartlett and Welch methods, but under restrictive assumptions. In this paper, we derive non-asymptotic error bounds for a class of non-parametric spectral estimators, which includes the classical Bartlett and Welch methods, under the assumption that the data is an $L$-mixing stochastic process. A broad range of processes arising in time-series analysis, such as autoregressive processes and measurements of geometrically ergodic Markov chains, can be shown to be $L$-mixing. In particular, $L$-mixing processes can model a variety of nonlinear phenomena which do not satisfy the assumptions of our prior work. Our new error bounds for $L$-mixing processes match the error bounds in the restrictive settings from prior work up to logarithmic factors.