WISE: A Weighted Similarity Aggregation Test for Serial Independence
WISE：基于加权相似度汇总的序列独立性检验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：摘要直接研究序列独立性、滞后相关及高维时间序列中的依赖检验，因此选择时间序列方向。
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…
WISE：基于加权相似度汇总的序列独立性检验
- 研究问题
- 如何检验时间序列的一般依赖关系，尤其是线性相关无法发现的依赖，以及超高维或非欧几里得观测的依赖？
- 方法与思路
- 作者按滞后赋予权重并汇总观测之间的成对相似度，构建非参数统计量，分析置换零假设与总体零假设。
- 材料陈述的贡献
- 摘要称，检验具有渐近正态性和一致性，并首次给出高维小样本序列独立性检验的理论功效保证。
- 阅读关注点
- 应核对相似度和滞后权重的选择、两类零假设的区别，以及高维小样本渐近框架和模拟比较的具体设置。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实；摘要未说明定理条件或功效数值，其首创性与优势尚需全文核对。
原文摘要
We propose a nonparametric test for serial independence that aggregates pairwise similarities of observations with lag-dependent weights. The resulting statistic is powerful to general forms of temporal dependence, including nonlinear and uncorrelated alternatives, and applies to ultra-high-dimensional and non-Euclidean data. We derive asymptotic normality under both permutation and population nulls, and establish consistency in classical large-sample and high-dimension-low-sample-size (HDLSS) regimes. The test therefore provides the first theoretical power guarantees for serial independence in the HDLSS setting. Simulations demonstrate accurate size and strong power against a wide range of alternatives, showing significant power improvement over existing methods under various high-dimensional time series models. An application to spatio-temporal data illustrates the method's utility for non-Euclidean observations.