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。
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功率谱密度、分段周期图及频域估计偏差。
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，Welch 方法增加分段数会降低方差却增加偏差，如何去偏而保持计算复杂度与渐近一致性？
- 方法与思路
- 作者提出 Welch 估计的去偏方法，在四阶平稳、有限四阶矩及四阶累积量函数绝对收敛条件下给出理论，并允许非等距频点。
- 材料陈述的贡献
- 摘要称去偏方法保持原有计算复杂度和一致性，改善有限样本表现；数值与真实数据展示偏差降低，并探索压缩及降方差。
- 阅读关注点
- 应核对去偏的具体实现、分段与频率网格选择规则，以及已列四阶条件如何支撑理论和非等距频点下的压缩收益。
- 阅读边界
- 仅据所给 Crossref 摘要，不能确认所有谱形状或分段方案都受益；误差改善幅度未给出，所称 R 与 Python 代码未核验。
原文摘要
Abstract 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 increases, 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 that 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 an 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. The code accompanying this work is available in R and python.