Central limit theorems for high dimensional dependent data
高维依赖数据的中心极限定理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：摘要明确针对高维时间序列推断，并将变点检测列为应用。
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…
关注这篇论文的作者
高维依赖数据的中心极限定理
- 研究问题
- 高维时间序列存在时间依赖时，如何量化随机向量和的高斯近似误差，并构造可实施的统计推断程序？
- 方法与思路
- 作者分别研究 α 混合、m 依赖和物理依赖框架下的非渐近误差界，并以长期协方差核估计构造参数自助法。
- 材料陈述的贡献
- 摘要称获得新的 α 混合误差界及更快的物理依赖收敛率，并将统一近似结果用于均值检验、变点检测和矩阵置信域。
- 阅读关注点
- 应核对维度增长、矩条件和依赖衰减限制，以及不同集合上的误差界、核带宽选择和自助法有效性的具体要求。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未给出具体误差界与适用条件，无法判断改进覆盖范围。
原文摘要
Motivated by statistical inference problems in high-dimensional time series data analysis, we first derive non-asymptotic error bounds for Gaussian approximations of sums of high-dimensional dependent random vectors on hyper-rectangles, simple convex sets and sparsely convex sets. We investigate the quantitative effect of temporal dependence on the rates of convergence to a Gaussian random vector over three different dependency frameworks ($α$-mixing, $m$-dependent, and physical dependence measure). In particular, we establish new error bounds under the $α$-mixing framework and derive faster rate over existing results under the physical dependence measure. To implement the proposed results in practical statistical inference problems, we also derive a data-driven parametric bootstrap procedure based on a kernel estimator for the long-run covariance matrices. We apply the unified Gaussian and bootstrap approximation results to test mean vectors with combined $\ell^2$ and $\ell^\infty$ type statistics, change point detection, and construction of confidence regions for covariance and precision matrices, all for time series data.