Inferring serial correlation with dynamic backgrounds
动态背景下的序列相关推断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：摘要直接研究具有序列相关和动态背景的序列数据及其统计推断。
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
动态背景下的序列相关推断
- 研究问题
- 序列数据包含未知且缺乏结构的动态背景时，如何分离背景变化与序列相关，并开展相关性估计和假设检验？
- 方法与思路
- 作者结合总变差约束最小二乘与假设检验，以分段常数近似动态背景，用 Ljung–Box 检验选择调节参数。
- 材料陈述的贡献
- 摘要称给出非渐近误差上界与基于 Fano 方法的下界，并据此主张方法近乎最优；另以模拟和心理学数据展示表现。
- 阅读关注点
- 应核对背景变化与相关结构的区分条件、调参和检验之间的关系，以及误差上下界是否针对相同的参数空间。
- 阅读边界
- 所据为 arXiv 预印本，不能据此确认同行评审或期刊接收；近乎最优及经验优势均为摘要陈述，具体条件与数值未说明。
原文摘要
Sequential data with serial correlation and an unknown, unstructured, and dynamic background is ubiquitous in neuroscience, psychology, and econometrics. Inferring serial correlation for such data is a fundamental challenge in statistics. We propose a total variation constrained least square estimator coupled with hypothesis tests to infer the serial correlation in the presence of unknown and unstructured dynamic background. The total variation constraint on the dynamic background encourages a piece-wise constant structure, which can approximate a wide range of dynamic backgrounds. The tuning parameter is selected via the Ljung-Box test to control the bias-variance trade-off. We establish a non-asymptotic upper bound for the estimation error through variational inequalities. We also derive a lower error bound via Fano's method and show the proposed method is near-optimal. Numerical simulation and a real study in psychology demonstrate the excellent performance of our proposed method compared with the state-of-the-art.