Transcripts and Algebraic Distances in Time Series: Stochastic Properties and Nonparametric Dependence Tests
时间序列中的序型转换与代数距离：随机性质及非参数依赖检验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：摘要围绕时间序列的序列独立性、依赖结构和非参数检验展开，因此归入时间序列。
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
时间序列中的序型转换与代数距离：随机性质及非参数依赖检验
- 研究问题
- 将连续取值时间序列转换为相邻序型之间的转换或代数距离后，这些序列能否揭示原过程的依赖结构并支持非参数检验？
- 方法与思路
- 作者研究相邻序型的转换及 Cayley、Kendall 编辑距离，推导转换后序列的随机性质和序列独立原假设下统计量的渐近分布。
- 材料陈述的贡献
- 摘要称，据此构造新的序列依赖检验；模拟显示其功效具有吸引力，并经常超过既有序型检验，另提供实际数据示例。
- 阅读关注点
- 应核对序型维度与转换的定义、不同过程下性质的差异、独立原假设的极限条件，以及功效比较采用的备择和基准。
- 阅读边界
- 仅据 arXiv 预印本摘要，不能确认同行评审或期刊接收；模拟设计、功效数值和应用数据未说明，性能比较不能直接外推。
原文摘要
The use of ordinal patterns (OPs) for analyzing the dependence structure of univariate and continuously distributed processes has gained popularity in recent years. This research goes one step further and considers the transcripts being computed from successive OPs in the time series. Transcripts constitute a kind of ``difference'' between successive OPs and thus naturally relate to two algebraic distances between OPs, the Cayley and Kendall edit distances. The original time series is transformed into a sequence of transcripts or distances, respectively, and important stochastic properties thereof are derived. It is shown that these properties differ substantially among different types of original processes. This motivates the development of various statistics based on transcripts and edit distances in order to investigate the dependence structure of the original process. In particular, the asymptotic distribution of these statistics under the null hypothesis of serial independence is derived, which is then used to implement nonparametric tests for serial dependence. A simulation study shows that these novel dependence tests have appealing power properties, often outperforming former OP-based dependence tests. A concluding real-world data example illustrates the application and interpretation of the proposed approaches in practice.