Inference for partial correlations of a multivariate Gaussian time series
多变量高斯时间序列偏相关系数的推断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。
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：摘要直接研究多变量高斯时间序列中的自相关、偏相关及其统计推断。
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
多变量高斯时间序列偏相关系数的推断
- 研究问题
- 当多变量高斯时间序列存在自相关时，如何对偏相关系数构造有效的联合渐近推断，避免独立观测假设导致的误差？
- 方法与思路
- 作者推导偏相关系数的渐近联合分布并提出协方差估计量，利用这些结果构造单个偏相关系数的 Wald 区间与检验。
- 材料陈述的贡献
- 摘要称模拟中所提区间比忽略自相关的方法具有更高覆盖率，检验的假阳性率更接近名义水平，但未报告具体数值。
- 阅读关注点
- 应核对高斯性及所谓温和正则条件、协方差估计方式，以及序列长度、自相关强度和变量维数对区间与检验的影响。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断非高斯或高维情况下的有效性；提供联合分布不自动意味着已有同时区间或多重检验保证。
原文摘要
Abstract We derive an asymptotic joint distribution and novel covariance estimator for the partial correlations of a multivariate Gaussian time series under mild regularity conditions. Using our derived asymptotic distribution, we develop a Wald confidence interval and testing procedure for inference of individual partial correlations for time series data. Through simulation we demonstrate that our proposed confidence interval attains higher coverage rates and our testing procedure achieves false positive rates closer to the nominal levels than approaches that assume independent observations when autocorrelation is present.