Debiasing Welch's Method for Spectral Density Estimation
Welch 谱密度估计方法的去偏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：摘要直接研究时间序列的谱密度估计，归入时间序列方向，但未限定宏观经济应用。
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…
Welch 谱密度估计方法的去偏
- 研究问题
- 有限长度时间序列中，增加 Welch 分段数会降低方差却增加偏差；如何缓解这一权衡，并支持不规则频率间距的谱估计？
- 方法与思路
- 作者提出 Welch 去偏方法，并在四阶平稳、有限四阶矩及四阶累积量函数绝对收敛的条件下开展理论分析，辅以模拟和真实数据应用。
- 材料陈述的贡献
- 摘要称，该方法保持原有计算复杂度与渐近一致性，改善有限样本表现；不规则频率间距还可用于信号压缩及进一步降低方差。
- 阅读关注点
- 应核对去偏公式、分段长度与重叠比例的作用、理论条件的适用范围，以及不规则频率网格如何影响偏差、方差和计算成本。
- 阅读边界
- 所据为 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未说明去偏公式、收敛速度及偏差降低的具体幅度。
原文摘要
Welch's method provides an estimator of the power spectral density that is statistically consistent. This is achieved by averaging over periodograms calculated from overlapping segments of a time series. For a finite length time series, while the variance of the estimator decreases as the number of segments increase, the magnitude of the estimator's bias increases: a bias-variance trade-off ensues when setting the segment number. We address this issue by providing a novel method for debiasing Welch's method which maintains the computational complexity and asymptotic consistency, and leads to improved finite-sample performance. Theoretical results are given for fourth-order stationary processes with finite fourth-order moments and absolutely convergent fourth-order cumulant function. The significant bias reduction is demonstrated with numerical simulation and an application to real-world data. Our estimator also permits irregular spacing over frequency and we demonstrate how this may be employed for signal compression and further variance reduction. Code accompanying this work is available in R and python.