Using Triples to Assess Symmetry Under Weak Dependence
用三元组评估弱依赖下的对称性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：摘要针对严格平稳过程的弱依赖开展推断，并展示产出增长与股票收益时间序列应用，支持时间序列方向的分类。
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…
关注这篇论文的作者
用三元组评估弱依赖下的对称性
- 研究问题
- 对存在弱依赖的严格平稳时间序列，如何检验其一维边际分布是否围绕未知中心对称，并使统计推断考虑观测间依赖？
- 方法与思路
- 作者以观测三元组构造已有的U统计量，允许适当混合或近历依赖条件，并用子抽样进行推断，以数据驱动规则选择子样本规模。
- 材料陈述的贡献
- 摘要称子抽样推断在所设弱依赖条件下渐近有效，并通过蒙特卡洛考察小样本表现，展示产出增长与股票收益序列应用。
- 阅读关注点
- 核对目标参数与对称性零假设的关系、未知中心的处理方式，以及依赖条件、子样本规模规则对检验有效性和功效的影响。
- 阅读边界
- 摘要未说明检验能识别哪些非对称备择，也未报告应用结果或有限样本误差；渐近有效性不保证任意依赖结构下有效。
原文摘要
The problem of assessing symmetry about an unspecified center of the one-dimensional marginal distribution of a strictly stationary random process is considered. A well-known U-statistic based on data triples is used to detect deviations from symmetry, allowing the underlying process to satisfy suitable mixing or near-epoch dependence conditions. We suggest using subsampling for inference on the target parameter, establish the asymptotic validity of the method in our setting, and discuss data-driven rules for selecting the size of subsamples. The small-sample properties of the proposed inferential procedures are examined by means of Monte Carlo simulations. Applications to time series of output growth and stock returns are also presented.