Identifying the finite dimensionality of curve time series
曲线时间序列有限维数的识别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：摘要明确研究曲线时间序列及跨时点动态依赖，直接对应时间序列方法。
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…
曲线时间序列有限维数的识别
- 研究问题
- 如何利用不同时间曲线之间的动态依赖识别曲线时间序列的有限维数，并把维数判断转化为可实施的统计检验？
- 方法与思路
- 作者提出基于跨曲线动态依赖的方法，将实际计算化为有限维矩阵的特征分析，并用自助检验识别非零特征值。
- 材料陈述的贡献
- 摘要称研究了该方法的渐近性质，零与非零特征值估计分别具有 n 与 √n 收敛率，并以模拟和真实数据作示例。
- 阅读关注点
- 应核对有限维结构及动态依赖的具体假设、矩阵构造、自助检验有效性，以及两类特征值收敛率成立的条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明具体假设、检验校准及应用结果，不能推断其他版本变化。
原文摘要
The curve time series framework provides a convenient vehicle to accommodate some nonstationary features into a stationary setup. We propose a new method to identify the dimensionality of curve time series based on the dynamical dependence across different curves. The practical implementation of our method boils down to an eigenanalysis of a finite-dimensional matrix. Furthermore, the determination of the dimensionality is equivalent to the identification of the nonzero eigenvalues of the matrix, which we carry out in terms of some bootstrap tests. Asymptotic properties of the proposed method are investigated. In particular, our estimators for zero-eigenvalues enjoy the fast convergence rate n while the estimators for nonzero eigenvalues converge at the standard √n-rate. The proposed methodology is illustrated with both simulated and real data sets.