Sieve Bootstrap With Variable-Length Markov Chains for Stationary Categorical Time Series
平稳类别时间序列的可变长度马尔可夫链筛自助法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：摘要直接研究平稳类别时间序列、可变长度马尔可夫依赖及其自助推断。
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
平稳类别时间序列的可变长度马尔可夫链筛自助法
- 研究问题
- 如何为平稳类别时间序列构造简约的模型自助法，并比较其方差估计收敛速率与分块自助法的差别？
- 方法与思路
- 作者使用可变长度马尔可夫链近似数据生成过程，再从拟合模型模拟重抽样，形成用于类别序列的筛自助法。
- 材料陈述的贡献
- 摘要称在所研究过程类中方差估计收敛快于分块法，并指出代入式实现优势，另以DNA序列分类展示应用。
- 阅读关注点
- 应核对过程依赖条件、上下文长度与模型选择规则、方差估计速率的比较前提，以及代入式实现适用的统计程序。
- 阅读边界
- 仅据版本未注明的OpenAlex索引摘要；过程类、速率及选择规则未说明，不能将优势推广到任意类别序列或统计量。
原文摘要
A bootstrap for stationary categorical time series based on the method of sieves is studied here. The data-generating process is approximated by the so-called variable-length Markov chain (VLMC), a flexible class of Markov models that allows for parsimonious structure. Then the resampling is given by simulating from the fitted model. It is shown that for a whole class of stationary categorical time series that is more general than VLMC, the VLMC sieve has faster rate of convergence for variance estimation than the more general block bootstrap. Results are illustrated from a theoretical and empirical perspective. For the latter, a real data application about (in-) homogeneity classification of a DNA strand is also presented. Finally, the VLMC sieve scheme enjoys an implementational advantage of using the plug-in rule for bootstrapping a statistical procedure, which generally is not the case for the block method.