Nonlinearity and temporal dependence
非线性与时间依赖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。
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：摘要明确研究平稳扩散的时间依赖、混合系数及谱密度，并讨论采样影响，因此直接对应时间序列理论方向。
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…
非线性与时间依赖
- 研究问题
- 扩散模型中漂移和扩散系数的非线性如何影响时间依赖，哪些过程会呈现类似长记忆的谱特征，状态依赖采样又如何改变依赖？
- 方法与思路
- 作者使用 ρ、β 和 α 三种混合性指标研究平稳扩散，分析混合系数衰减、状态变换的零频谱特征及状态依赖泊松采样。
- 材料陈述的贡献
- 摘要称，所研究的 ρ 混合扩散具有指数衰减；不满足该性质时衰减更慢，部分状态变换可产生有限方差但零频谱密度无限的现象。
- 阅读关注点
- 应核对扩散过程的正则条件、三种混合性的适用范围、产生谱奇异性的变换，以及状态依赖采样改变依赖的机制。
- 阅读边界
- 仅据所给出版社摘要，无法确认各结论的完整条件；谱表现类似长记忆不能直接等同于某一分数单整模型或具体经济机制。
原文摘要
Nonlinearities in the drift and diffusion coefficients influence temporal dependence in diffusion models. We study this link using three measures of temporal dependence: [rho]-mixing, [beta]-mixing and [alpha]-mixing. Stationary diffusions that are [rho]-mixing have mixing coefficients that decay exponentially to zero. When they fail to be [rho]-mixing, they are still [beta]-mixing and [alpha]-mixing; but coefficient decay is slower than exponential. For such processes we find transformations of the Markov states that have finite variances but infinite spectral densities at frequency zero. The resulting spectral densities behave like those of stochastic processes with long memory. Finally we show how state dependent, Poisson sampling alters the temporal dependence.