Gaussian Approximation For Non-stationary Time Series with Optimal Rate and Explicit Construction
非平稳时间序列的高斯逼近：最优速率与显式构造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：摘要直接研究非平稳时间序列的高斯逼近，并推导变点检测结果。
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…
非平稳时间序列的高斯逼近：最优速率与显式构造
- 研究问题
- 如何为非平稳时间序列构造可实际使用的高斯逼近，克服仅有存在性结论的局限，并支持变点检测及同时统计推断？
- 方法与思路
- 作者给出两条高斯逼近构造路径，其中一条偏重理论、另一条可实践实施，并据此推导非平稳误差下的检测和推断结果。
- 材料陈述的贡献
- 摘要称，所给逼近适用于广泛非平稳序列并达到最优速率，还提供变点检测与同时推断理论，以及模拟和真实数据分析。
- 阅读关注点
- 应核对过程类别、依赖与矩条件、逼近距离及最优性的比较范围，并检查可实施构造所需未知量如何估计和校准。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未给出速率表达式与假设，不能据此判断其对任意非平稳过程均有效。
原文摘要
Statistical inference for time series such as curve estimation for time-varying models or testing for existence of change-point have garnered significant attention. However, these works are generally restricted to the assumption of independence and/or stationarity at its best. The main obstacle is that the existing Gaussian approximation results for non-stationary processes only provide an existential proof and thus they are difficult to apply. In this paper, we provide two clear paths to construct such a Gaussian approximation for non-stationary series. While the first one is theoretically more natural, the second one is practically implementable. Our Gaussian approximation results are applicable for a very large class of non-stationary time series, obtain optimal rates and yet have good applicability. Building on such approximations, we also show theoretical results for change-point detection and simultaneous inference in presence of non-stationary errors. Finally we substantiate our theoretical results with simulation studies and real data analysis.