Order-Constrained Spectral Causality for Multivariate Time Series
多变量时间序列的保序约束谱因果性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。
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：摘要围绕多变量时间序列、谱算子和 Granger 类方向依赖展开，金融应用不足以支持更具体的金融细分。
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
多变量时间序列的保序约束谱因果性
- 研究问题
- 多变量时间序列中，如何用二阶依赖的谱特征刻画系统层面的方向影响，并改善分散式非稀疏关系下逐边检验的检测效率？
- 方法与思路
- 作者考察对指定源分量施加保序时间变形后依赖算子的敏感度，以正交不变谱泛函构造诊断量，并发展移位随机化推断。
- 材料陈述的贡献
- 摘要称，该诊断量在给定公理类中具有唯一性，包含若干经典方向性指标，并获得样本规模界、一致性和弱依赖下的有效推断。
- 阅读关注点
- 应核对允许的时间变形与方向影响定义、唯一性公理和样本规模比较条件，尤其区分统计方向依赖与干预意义的因果关系。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核验。摘要未给出定理条件、样本规模界细节或金融应用数值，不能据此确认干预因果识别。
原文摘要
We introduce an operator-theoretic framework for analyzing directional dependence in multivariate time series based on order-constrained spectral non-invariance. Directional influence is defined as the sensitivity of second-order dependence operators to admissible, order-preserving temporal deformations of a designated source component, summarized through orthogonally invariant spectral functionals. We show that the resulting supremum--infimum dispersion functional is the unique diagnostic within this class satisfying order consistency, orthogonal invariance, Loewner monotonicity, second-order sufficiency, and continuity, and that classical Granger causality, directed coherence, and Geweke frequency-domain causality arise as special cases under appropriate restrictions. An information-theoretic impossibility result establishes that entrywise-stable edge-based tests require quadratic sample size scaling in distributed (non-sparse) regimes, whereas spectral tests detect at the optimal linear scale. We establish uniform consistency and valid shift-based randomization inference under weak dependence. Simulations confirm correct size and strong power across distributed and nonlinear alternatives, and an empirical application illustrates system-level directional causal structure in financial markets.