Expectile Periodograms
期望分位数周期图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：摘要的核心方法是时间序列频谱、序列依赖和隐藏周期分析。
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…
期望分位数周期图
- 研究问题
- 如何在不同期望分位水平上描述时间序列的频谱与序列依赖，从而发现普通周期图可能难以揭示的隐藏周期？
- 方法与思路
- 作者通过三角函数期望分位回归构造周期图类统计量，研究其渐近性质和谱联系，并将二维表示用于波形分类。
- 材料陈述的贡献
- 摘要称，该周期图保留普通周期图的关键频域性质，模拟展示隐藏周期检测能力，地震波形分类也有应用收益。
- 阅读关注点
- 应核对损失函数、期望分位谱的定义和渐近条件，并检查隐藏周期模拟、分类样本划分及基准模型的调参方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未给渐近条件、检测误差和分类数值，不能判断普遍性能优势。
原文摘要
This paper introduces a novel periodogram-like function, called the expectile periodogram, for modeling spectral features of time series and detecting hidden periodicities. The expectile periodogram is constructed from trigonometric expectile regression, in which a specially designed check function is used to substitute the squared $l_2$ norm that leads to the ordinary periodogram. The expectile periodogram retains the key properties of the ordinary periodogram as a frequency-domain representation of serial dependence in time series, while offering a more comprehensive understanding by examining the data across the entire range of expectile levels. We establish the asymptotic theory and investigate the relationship between the expectile periodogram and the so called expectile spectrum. Simulations demonstrate the efficiency of the expectile periodogram in the presence of hidden periodicities. Finally, by leveraging the inherent two-dimensional nature of the expectile periodogram, we train a deep learning (DL) model to classify earthquake waveform data. Remarkably, our approach outperforms alternative periodogram-based methods in terms of classification accuracy.