Difference-Based High-Dimensional Long-Run Covariance Matrix Estimation for Mean-shift Time Series
均值变化时间序列的差分型高维长期协方差矩阵估计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：摘要直接研究时间依赖下的长期协方差估计，并以均值漂移和均值变化为核心困难，对应时间序列与结构变化方向。
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
均值变化时间序列的差分型高维长期协方差矩阵估计
- 研究问题
- 高维时间序列均值随时间变化时，如何避免传统长期协方差估计的偏差，并同时利用协方差稀疏性和序列依赖结构？
- 方法与思路
- 作者构造对多类均值变化稳健的差分初始估计量，再结合硬阈值、软阈值及渐缩处理，得到稀疏长期协方差矩阵估计。
- 材料陈述的贡献
- 摘要称推导了体现稀疏性、均值变化、维度与样本量影响的收敛速度；数值实验显示高维且均值变化时方法表现较好。
- 阅读关注点
- 应核对允许的均值变化与时间依赖类别、差分间隔和调节参数选择，以及各稀疏化方法的收敛条件与矩阵性质。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未提供收敛率公式、变化幅度限制或实验数值，不能认定对任意变化稳健。
原文摘要
We consider estimation of high-dimensional long-run covariance matrices for time series with nonconstant means, a setting in which conventional estimators can be severely biased. To address this difficulty, we propose a difference-based initial estimator that is robust to a broad class of mean variations, and combine it with hard thresholding, soft thresholding, and tapering to obtain sparse long-run covariance estimators for high-dimensional data. We derive convergence rates for the resulting estimators under general temporal dependence and time-varying mean structures, showing explicitly how the rates depend on covariance sparsity, mean variation, dimension, and sample size. Numerical experiments show that the proposed methods perform favorably in high dimensions, especially when the mean evolves over time.