Self-normalized Cramér-type moderate deviations under dependence
依赖情形下自归一化的 Cramér 型中等偏差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：摘要明确将结果应用于超高维时间序列均值向量的多重检验和同时置信区间。
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…
依赖情形下自归一化的 Cramér 型中等偏差
- 研究问题
- 对弱依赖随机变量的自归一化和，怎样在较弱矩条件下获得中等偏差近似，并用于超高维时间序列均值的同时推断？
- 方法与思路
- 作者建立自归一化和的 Cramér 型中等偏差结果，考察等块、大块小块及交错三种方案，并用于多重检验和同时置信区间。
- 材料陈述的贡献
- 摘要称偏差近似范围取决于矩条件和依赖程度，矩要求弱于非自归一化情形；模拟显示交错方案可能有更好的有限样本表现。
- 阅读关注点
- 应核对弱依赖的具体定义、矩条件与近似范围的关系、分块长度选择，以及超高维同时推断允许的维度增长速度。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；未给出具体范围和模拟设置，交错方案的优势不能泛化，不能推断刊本变化。
原文摘要
We establish a Cramér-type moderate deviation result for self-normalized sums of weakly dependent random variables, where the moment requirement is much weaker than the non-self-normalized counterpart. The range of the moderate deviation is shown to depend on the moment condition and the degree of dependence of the underlying processes. We consider three types of self-normalization: the equal-block scheme, the big-block-small-block scheme and the interlacing scheme. Simulation study shows that the latter can have a better finite-sample performance. Our result is applied to multiple testing and construction of simultaneous confidence intervals for ultra-high dimensional time series mean vectors.