Measuring General Associations in Time Series: An Adaptation and Empirical Evaluation of the CODEC Coefficient in Determining Autoregressive Dynamics
时间序列一般关联的度量：CODEC 在自回归滞后识别中的改造与评估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：摘要明确研究自回归滞后选择，并比较线性、非线性和非平稳时间序列中的关联度量，直接对应时间序列。
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…
时间序列一般关联的度量：CODEC 在自回归滞后识别中的改造与评估
- 研究问题
- 面对复杂自回归模型的滞后选择成本，模型无关的关联度量能否有效识别滞后结构，并适应非线性或非平稳过程？
- 方法与思路
- 作者改造并实现基于条件依赖系数的 CODEC-FOCI 算法，与 Pearson、Spearman 在多类时间序列模拟中比较。
- 材料陈述的贡献
- 摘要称，CODEC 在非线性和非平稳设置中表现更好，尤其在大样本下；纯线性模型中则是 Pearson 更优。
- 阅读关注点
- 应核对滞后识别的评价指标、非平稳过程的具体生成方式，以及算法停止规则、样本规模和基准数据的比较设计。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实；摘要未给出误差或计算成本数值，探索性滞后识别不等于预测性能保证。
原文摘要
Identifying the number of lags to include in an autoregressive model remains an open research problem due to the computational burden of treating it as a hyperparameter, especially in complex models. This study explores model-agnostic association measures, including Pearson, Spearman, and an adaptation of the recently proposed conditional dependence coefficient (CODEC), for guiding lag selection in time series. We adapt and implement the CODEC-based Feature Ordering by Conditional Independence (CODEC-FOCI) algorithm and evaluate its performance through extensive simulations across linear, nonlinear, stationary, nonstationary, seasonal, and heteroskedastic processes. Results show that CODEC outperforms classical correlation-based measures in nonlinear and nonstationary settings, especially for large sample sizes. In contrast, Pearson performs better in purely linear models. Applications to benchmark datasets confirm that the CODEC approach identifies lag structures consistent with those reported in the literature. These findings highlight CODEC's potential as a practical, model-free tool for exploratory lag identification in time series analysis.