Testing for Stable Intervals in Non-Stationary Time Series
非平稳时间序列中稳定区间的检验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：摘要明确研究非平稳时间序列的稳定区间，并扩展相关变化检验，因此对应时间序列与结构变化两个方向。
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
非平稳时间序列中稳定区间的检验
- 研究问题
- 当时间序列整体不稳定时，如何检验是否存在一个达到指定持续长度、且信号偏离始终处于给定容忍范围内的稳定区间？
- 方法与思路
- 作者用区间内最大偏离的最小值刻画稳定性，以局部线性回归构造代入检验，并推导近极值窗口上的高斯与极值近似。
- 材料陈述的贡献
- 摘要称，检验具有一致性和渐近水平控制，并将相关变化检验扩展至时变长期方差及导数假设，提供模拟和实际应用。
- 阅读关注点
- 核对原假设方向、持续长度与容忍阈值的选择、极值集合的局部化，以及局部平稳误差和时变长期方差的具体要求。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收未核实；摘要未说明带宽、临界值实现及完整正则条件，拒绝原假设仅支持所定义的稳定性。
原文摘要
Many time series are not stable over their full observation horizon, but may contain scientifically meaningful periods during which a signal remains stable up to a prescribed tolerance. We formulate this as an existence test for stable intervals in a non-stationary regression model with dependent, locally stationary errors. For a signal $d$ derived from the mean function, including deviations from reference levels and derivatives, stability over duration $δ$ is encoded by $d_\infty=\inf_{t\in[0,1-δ]}\sup_{s\in[t,t+δ]}|d(s)|$. The hypothesis $d_\infty\geΔ$ states that no interval of length $δ$ remains within the tolerance $Δ$, while rejection provides evidence for the existence of a relevant stable period. We estimate $d$ by local linear regression and construct plug-in tests for $d_\infty$. The asymptotic distribution is determined only by near-extremal windows at which the minimax functional is attained. We formalize this localization through extremal sets and derive Gaussian and extreme value approximations for kernel estimators over possibly shrinking index sets with time-varying long-run variance. The resulting tests are consistent and have asymptotic level control. The theory also extends supremum-based relevant-change tests to time-varying long-run variance and derivative-based hypotheses. Simulations and applications to physiological and engineering time series illustrate the method.