Kernel-based Joint Independence Tests for Multivariate Stationary and Non-stationary Time Series
多变量平稳与非平稳时间序列的核联合独立性检验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：摘要直接研究平稳与非平稳多变量时间序列的依赖检验，因此按时间序列方法归类。
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…
多变量平稳与非平稳时间序列的核联合独立性检验
- 研究问题
- 对于共同观测的多变量时间序列，如何检验联合独立性并发现高阶依赖，同时适用于平稳和非平稳过程？
- 方法与思路
- 作者将多变量 Hilbert–Schmidt 独立性准则扩展至时间序列，并针对单次与多次实现分别设计重抽样方法。
- 材料陈述的贡献
- 摘要称，该方法在合成案例及气候、神经科学和社会经济数据中发现高阶依赖，为多变量时间序列分析提供检验工具。
- 阅读关注点
- 应核对允许的非平稳形式、重抽样如何保留时间依赖，以及联合独立性检验相较两两检验能识别哪些额外交互。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实。摘要未说明检验有效性的具体条件、误拒率或功效，依赖发现也不等于因果识别。
原文摘要
Multivariate time series data that capture the temporal evolution of interconnected systems are ubiquitous in diverse areas. Understanding the complex relationships and potential dependencies among co-observed variables is crucial for the accurate statistical modelling and analysis of such systems. Here, we introduce kernel-based statistical tests of joint independence in multivariate time series by extending the $d$-variable Hilbert-Schmidt independence criterion (dHSIC) to encompass both stationary and non-stationary processes, thus allowing broader real-world applications. By leveraging resampling techniques tailored for both single- and multiple-realisation time series, we show how the method robustly uncovers significant higher-order dependencies in synthetic examples, including frequency mixing data and logic gates, as well as real-world climate, neuroscience, and socioeconomic data. Our method adds to the mathematical toolbox for the analysis of multivariate time series and can aid in uncovering high-order interactions in data.