HIGHER-ORDER APPROXIMATION FOR UNCERTAINTY QUANTIFICATION IN TIME-SERIES ANALYSIS
时间序列不确定性量化的高阶近似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：摘要以强时间相关序列的经验过程及其高阶推断近似为核心。
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
时间序列不确定性量化的高阶近似
- 研究问题
- 当时间序列具有较强时间相关性、经验过程收敛缓慢时，能否通过高阶近似改善中位数等统计量的小样本置信区间？
- 方法与思路
- 作者推导经验过程高阶近似误差项的渐近分布，利用高阶项的极限分布构造置信区间，并比较模拟覆盖率和区间长度。
- 材料陈述的贡献
- 摘要称，研究提供高阶近似误差的分布刻画及新的区间构造方式，模拟展示相对于常规经验过程渐近近似的部分收益。
- 阅读关注点
- 应核对时间依赖的具体类别、高阶展开与截断规则，以及未知量估计方式和覆盖率、区间长度之间的比较结果。
- 阅读边界
- 所给 Crossref 摘要未说明依赖条件、展开阶数或模拟数值；提及变点与拟合优度统计量，不意味着已为所有这些统计量给出推断。
原文摘要
For time series with high temporal correlation, the empirical process converges rather slowly to its limiting distribution. Many statistics in change-point analysis, goodness-of-fit testing, and uncertainty quantification admit a representation as functionals of the empirical process and therefore inherit its slow convergence. As a result, inference based on the asymptotic distribution of those quantities is significantly affected by relatively small sample sizes. We assess the quality of higher-order approximations (HOAs) of the empirical process by deriving the asymptotic distribution of the corresponding error terms. Based on the limiting distribution of the higher-order terms, we propose a novel approach to calculate confidence intervals for statistical quantities such as the median. In a simulation study, we compare coverage rates and lengths of these confidence intervals with those based on the asymptotic distribution of the empirical process and highlight some benefits of HOAs of the empirical process.