Testing independence for multivariate time series via the auto-distance correlation matrix
利用自距离相关矩阵检验多元时间序列的独立性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：摘要明确研究多元时间序列的滞后依赖与独立同分布检验，对应时间序列方法，未涉及特定宏观应用。
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
利用自距离相关矩阵检验多元时间序列的独立性
- 研究问题
- 如何以矩阵形式描述多元时间序列的滞后依赖，并据此检验独立同分布假设，补充传统多元 Ljung–Box 检验？
- 方法与思路
- 作者引入矩阵值多元自距离协方差与相关函数，讨论解释并构造一致估计量，随后建立独立同分布检验和计算方法。
- 材料陈述的贡献
- 摘要称提出的估计量具有一致性，并报告检验表现优于多元 Ljung–Box 方法；同时讨论计算问题并给出数据示例。
- 阅读关注点
- 应核对矩阵各元素对应的依赖含义、独立同分布零假设的校准方式，以及与 Ljung–Box 比较时的备择、规模和功效。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未说明一致性条件或比较设定，不能声称对所有备择均更优。
原文摘要
SUMMARYWe introduce the matrix multivariate auto-distance covariance and correlation functions for time series, discuss their interpretation and develop consistent estimators for practical implementation. We also develop a test of the independent and identically distributed hypothesis for multivariate time series data and show that it performs better than the multivariate Ljung–Box test. We discuss computational aspects and present a data example to illustrate the method.