A Global Wavelet Based Bootstrapped Test of Covariance Stationarity
基于全局小波与自助法的协方差平稳性检验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：摘要直接提出时间序列协方差平稳性检验，并明确关注方差突变和其他形式的非平稳变化。
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
基于全局小波与自助法的协方差平稳性检验
- 研究问题
- 对于具有依赖性、可能整体非平稳的时间序列，如何检验协方差平稳性，并识别方差突变或较弱、较远期的非平稳偏离？
- 方法与思路
- 作者利用包含 Haar 小波和 Walsh 函数的一般正交基比较分样本相关性，对跨滞后和子样本的最大差异统计量实施自助法。
- 材料陈述的贡献
- 摘要称方法允许线性或非线性过程及可能非独立同分布的创新，避免高维渐近协方差矩阵估计与求逆，并放宽搜索维度增长率。
- 阅读关注点
- 应核对平稳性原假设、依赖与矩条件、正交基及自助法要求，以及滞后和子样本数量的增长限制与局部备择下的检验功效。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未给出所谓温和条件和增长率，不能据此断定所有非平稳均可检出。
原文摘要
We propose a covariance stationarity test for an otherwise dependent and possibly globally non-stationary time series. We work in a generalized version of the new setting in Jin, Wang and Wang (2015), who exploit Walsh (1923) functions in order to compare sub-sample covariances with the full sample counterpart. They impose strict stationarity under the null, only consider linear processes under either hypothesis in order to achieve a parametric estimator for an inverted high dimensional asymptotic covariance matrix, and do not consider any other orthonormal basis. Conversely, we work with a general orthonormal basis under mild conditions that include Haar wavelet and Walsh functions; and we allow for linear or nonlinear processes with possibly non-iid innovations. This is important in macroeconomics and finance where nonlinear feedback and random volatility occur in many settings. We completely sidestep asymptotic covariance matrix estimation and inversion by bootstrapping a max-correlation difference statistic, where the maximum is taken over the correlation lag $h$ and basis generated sub-sample counter $k$ (the number of systematic samples). We achieve a higher feasible rate of increase for the maximum lag and counter $\mathcal{H}_{T}$ and $\mathcal{K}_{T}$. Of particular note, our test is capable of detecting breaks in variance, and distant, or very mild, deviations from stationarity.