Partial correlation graphs for continuous-parameter time series
连续参数时间序列的偏相关图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：摘要明确研究多元连续时间平稳过程、谱密度及连续时间自回归模型，支持时间序列分类，图结构本身不足以归入网络干扰。
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
连续参数时间序列的偏相关图
- 研究问题
- 对于多元连续时间随机过程，如何定义和刻画偏相关关系，构建具有马尔可夫性质的无向图，并从频谱信息识别其边结构？
- 方法与思路
- 作者在平稳、均方连续、零均值且具有谱密度的过程上定义偏相关关系，给出等价刻画，研究 graphoid 与马尔可夫性质，并分析连续时间 AR 例子。
- 材料陈述的贡献
- 摘要称，偏相关关系满足 graphoid 性质，所构建图具有通常的马尔可夫性质，其边可由谱密度的逆确定；研究还比较其与混合局部因果图的关系。
- 阅读关注点
- 应核对偏相关关系所条件化的信息、逆谱密度的存在条件、各马尔可夫性质的确切含义，以及偏相关图与局部因果图之间成立何种联系。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未给出完整技术条件或样本估计方法，无向偏相关边不能直接解释为因果作用。
原文摘要
In this paper, we establish the partial correlation graph for multivariate continuous-time stochastic processes, assuming only that the underlying process is stationary and mean-square continuous with expectation zero and spectral density function. In the partial correlation graph, the vertices are the components of the process and the undirected edges represent partial correlations between the vertices. To define this graph, we therefore first introduce the partial correlation relation for continuous-time processes and provide several equivalent characterisations. In particular, we establish that the partial correlation relation defines a graphoid. The partial correlation graph additionally satisfies the usual Markov properties and the edges can be determined very easily via the inverse of the spectral density function. Throughout the paper, we compare and relate the partial correlation graph to the mixed (local) causality graph of Fasen-Hartmann and Schenk (2023a). Finally, as an example, we explicitly characterise and interpret the edges in the partial correlation graph for the popular multivariate continuous-time AR (MCAR) processes.