Periodically Correlated Time Series and the Variable Bandpass Periodic Block Bootstrap
周期相关时间序列与可变带通周期块自助法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：摘要围绕周期相关及季节性时间序列的滤波与块自助推断，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…
关注这篇论文的作者
周期相关时间序列与可变带通周期块自助法
- 研究问题
- 如何为具有周期相关结构的时间序列构造重抽样方法，在保留目标周期成分相关性的同时，减少其他频率噪声对推断的干扰？
- 方法与思路
- 作者提出可变带通周期块自助法 VBPBB，利用带通滤波分离周期相关成分与其他频率干扰，并通过模拟与既有周期块自助方法比较。
- 材料陈述的贡献
- 摘要称新方法结合频率分离与周期块重抽样，模拟中相较既有方法获得广泛改进，但未提供具体统计量和改进幅度。
- 阅读关注点
- 应核对滤波频带与块长度的选择、分离后相关结构的保留程度，以及边界效应、频率接近和模拟评价标准对结果的影响。
- 阅读边界
- 所给版本为 arXiv 预印本，不能据此认定已同行评审或被期刊接收；摘要未说明自助法有效性的理论条件，广泛改进仅为摘要主张。
原文摘要
This research introduces a novel approach to resampling periodically correlated (PC) time series using bandpass filters for frequency separation called the Variable Bandpass Periodic Block Bootstrap (VBPBB) and then examines the significant advantages of this new method. While bootstrapping allows estimation of a statistic's sampling distribution by resampling the original data with replacement, and block bootstrapping is a model-free resampling strategy for correlated time series data, both fail to preserve correlations in PC time series. Existing extensions of the block bootstrap help preserve the correlation structures of PC processes but suffer from flaws and inefficiencies. Analyses of time series data containing cyclic, seasonal, or PC principal components often seen in annual, daily, or other cyclostationary processes benefit from separating these components. The VBPBB uses bandpass filters to separate a PC component from interference such as noise at other uncorrelated frequencies. A simulation study is presented, demonstrating near universal improvements obtained from the VBPBB when compared with prior block bootstrapping methods for periodically correlated time series.