Time-varying correlation network analysis of non-stationary multivariate time series with complex trends
具有复杂趋势的非平稳多元时间序列时变相关网络分析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：摘要直接讨论非平稳高维时间序列及结构突变下的相关网络推断。
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…
具有复杂趋势的非平稳多元时间序列时变相关网络分析
- 研究问题
- 面对具有分段光滑趋势及结构突变的高维非平稳时间序列，如何同时识别各时点的时变、时滞相关网络并控制多重检验错误？
- 方法与思路
- 作者统一检验多阶滞后互相关，构造基于差分的非参数估计量，结合适应时间动态的 bootstrap 与一致方差缩减技术进行推断。
- 材料陈述的贡献
- 摘要称该框架可适应复杂趋势与结构突变，控制族错误率并提高网络结构恢复概率，同时给出渐近有效性证明和模拟及应用。
- 阅读关注点
- 应核对趋势与突变的允许形式、滞后数量增长条件，以及差分估计、bootstrap 和方差缩减如何共同保证全时点错误控制。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未说明维度与样本量限制，相关网络也不能直接解释为因果网络。
原文摘要
This paper proposes a flexible framework for inferring large-scale time-varying and time-lagged correlation networks from multivariate or high-dimensional non-stationary time series with piecewise smooth trends. Built on a novel and unified multiple-testing procedure of time-lagged cross-correlation functions with a fixed or diverging number of lags, our method can accurately disclose flexible time-varying network structures associated with complex functional structures at all time points. We broaden the applicability of our method to the structure breaks by developing difference-based nonparametric estimators of cross-correlations, achieve accurate family-wise error control via a bootstrap-assisted procedure adaptive to the complex temporal dynamics, and enhance the probability of recovering the time-varying network structures using a new uniform variance reduction technique. We prove the asymptotic validity of the proposed method and demonstrate its effectiveness in finite samples through simulation studies and empirical applications.