The dynamic generalized covariance measure for conditional independence testing with nonstationary time series
非平稳时间序列条件独立检验的动态广义协方差度量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：摘要明确研究非平稳非线性时间序列中的条件独立检验和长程协方差估计。
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…
非平稳时间序列条件独立检验的动态广义协方差度量
- 研究问题
- 仅观察非平稳非线性过程的一条实现路径时，如何检验条件独立，并识别条件协方差在部分时点非零的依赖关系？
- 方法与思路
- 作者结合时变非线性回归、误差过程乘积的局部长程协方差估计，以及对分布一致的强高斯逼近来构造检验框架。
- 材料陈述的贡献
- 摘要称，该框架适用于单条非平稳非线性序列，对部分时点存在非零期望条件协方差的备择具有功效，并讨论更广备择。
- 阅读关注点
- 应核对时间变化和依赖的限制、非线性回归误差的要求，以及检验能识别的备择范围与扩展功效方案的具体机制。
- 阅读边界
- 所据为 arXiv 预印本，不能确认同行评审或期刊接收；摘要未列出完整正则条件，条件独立检验本身也不足以建立因果方向。
原文摘要
Identifying relationships among stochastic processes is a core objective in many fields, such as economics. While the standard toolkit for multivariate time series analysis has many advantages, it can be difficult to capture nonlinear dynamics using linear vector autoregressive models. This difficulty has motivated the development of methods for causal discovery and variable selection for nonlinear time series, which routinely employ tests for conditional independence. In this paper, we introduce the first framework for conditional independence testing that works with a single realization of a nonstationary nonlinear process. The proposed test is designed to have power against alternatives in which the expected conditional covariance is non-zero for at least some times. We also discuss an approach for gaining power against a broader range of alternatives. The key technical ingredients of our framework are time-varying nonlinear regression, estimation of local long-run covariance matrices of products of error processes, and a distribution-uniform strong Gaussian approximation.