Quantifying Long-Range Dependence in Object-Valued Time Series
对象值时间序列中的长程依赖度量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：摘要围绕对象值时间序列的长程依赖定义、偏差修正与一致估计，直接对应时间序列；外汇应用未涉及收益预测或定价。
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
对象值时间序列中的长程依赖度量
- 研究问题
- 分布、协方差矩阵、网络等非线性空间中的对象值序列，如何定义并估计长记忆，同时处理使用同一样本估计中心项造成的共同偏差？
- 方法与思路
- 作者利用负型度量空间的 Hilbert 等距嵌入，以距离差表达滞后协方差算子的迹，再构造 Bartlett 聚合及迭代块差分等偏差校正。
- 材料陈述的贡献
- 摘要称建立仅依赖对象间距离的长记忆框架，推导共同中心化偏差并证明估计一致性；模拟显示偏差降低，两个应用呈现长记忆证据。
- 阅读关注点
- 应核对度量空间的负型要求、距离依赖量的非可和衰减定义、带宽及块长度条件，以及中心化校正如何影响一致性和有限样本表现。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未列出完整一致性条件和应用检验结果，不能据此排除其他机制对长记忆证据的影响。
原文摘要
Object-valued time series, including distributions, covariance matrices, networks, and compositions, lack the linear structure required by conventional autocovariance-based definitions of long memory. We develop an intrinsic framework for defining and estimating long memory in metric spaces of negative type. An isometric embedding yields a centered Hilbert-valued process, and the trace of its lag-covariance operator provides a signed, additive measure of temporal dependence. Crucially, this trace equals the difference between the marginal mean pairwise distance and expected lagged distance, so the framework and its estimators use only distances between the original objects. We define the memory parameter through the nonsummable decay of this trace and show that it coincides with the usual parameter in Hilbert-valued settings. Estimation uses Bartlett aggregates of distance-based lag measures. Estimating the common marginal distance from the same dependent sample induces a common-centering bias in these aggregates. We derive its finite-sample form and propose iterated block-difference corrections, log-ratio and multi-bandwidth log-slope estimators, and a localized self-consistency refinement. We establish consistency, document substantial bias reduction in simulations, and find long-memory evidence in foreign-exchange return distributions and U.S. electricity-generation compositions.