Assessing Time Series Correlation Significance: A Parametric Approach with Application to Physiological Signals
时间序列相关性的显著性评估：参数方法及生理信号应用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：摘要直接处理时间依赖、自相关函数和有效样本量，属于时间序列方法，应用场景为生理信号。
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…
时间序列相关性的显著性评估：参数方法及生理信号应用
- 研究问题
- 时间依赖使普通相关系数检验失准；如何估计有效样本量，以较低计算成本评估时间序列相关性的统计显著性？
- 方法与思路
- 作者假定自相关函数具有高斯型参数形式，以拉普拉斯近似说明其动机，并推导仅依赖序列时间导数的有效样本量估计量。
- 材料陈述的贡献
- 摘要称，数值实验显示方法兼具统计准确性与计算效率，并在电生理连接和动作捕捉数据中评估其适用性。
- 阅读关注点
- 应核对高斯型自相关假设的适用范围、导数估计与采样要求，以及有效样本量如何进入相关检验和偏离假设时的校准表现。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未给出完整检验条件，所称稳健性不能理解为适用于任意时间依赖结构。
原文摘要
Correlation coefficients play a pivotal role in quantifying linear relationships between random variables. Yet, their application to time series data is very challenging due to temporal dependencies. This paper introduces a novel approach to estimate the statistical significance of correlation coefficients in time series data, addressing the limitations of traditional methods based on the concept of effective degrees of freedom (or effective sample size, ESS). These effective degrees of freedom represent the independent sample size that would yield comparable test statistics under the assumption of no temporal correlation. We propose to assume a parametric Gaussian form for the autocorrelation function. We show that this assumption, motivated by a Laplace approximation, enables a simple estimator of the ESS that depends only on the temporal derivatives of the time series. Through numerical experiments, we show that the proposed approach yields accurate statistics while significantly reducing computational overhead. In addition, we evaluate the adequacy of our approach on real physiological signals, for assessing the connectivity measures in electrophysiology and detecting correlated arm movements in motion capture data. Our methodology provides a simple tool for researchers working with time series data, enabling robust hypothesis testing in the presence of temporal dependencies.