Limit Theory for U-Statistics under Clustered and Weakly Dependent Data
聚类与弱依赖数据下 U 统计量的极限理论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：摘要明确建立弱依赖时间序列中 U 统计量的极限理论，并研究 HAC 协方差估计。
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
聚类与弱依赖数据下 U 统计量的极限理论
- 研究问题
- 核函数无界的高阶 U 统计量，在允许簇内任意依赖、簇规模增长不均衡或时间序列弱依赖时，如何开展可行推断？
- 方法与思路
- 作者从二阶扩展至一般阶数，通过样本列分解区分常规元组与碰撞项，分析 Hoeffding 投影并控制高阶余项和依赖影响。
- 材料陈述的贡献
- 摘要称建立聚类、精确有限阶依赖及近历依赖下的极限理论，并证明一阶投影协方差的聚类稳健与 HAC 估计一致。
- 阅读关注点
- 应核对核函数矩条件、一阶投影的非退化要求、最大簇规模与依赖速率约束，以及 HAC 带宽和可行投影估计的条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出具体增长率与依赖条件，也未说明退化 U 统计量是否适用。
原文摘要
This paper develops asymptotic theory and feasible inference for unbounded-kernel order-k U-statistics under clustered sampling and weakly dependent time-series. The analysis first builds the complete order-2 pipeline, moving from clustered data to exact $m$-dependence and then to near-epoch dependence. The same logic is subsequently extended to general order k greater or equal to 2. Under clustered sampling, the theory allows arbitrary within-cluster dependence and growing, unbalanced cluster sizes. Under weak dependence, an i.i.d.-based approximating sequence carries the exact-m theory to near-epoch-dependent processes. The common combinatorial device partitions the sample into columns, separating sampling-generic tuples, where the first-order Hoeffding projection is analysed, from collision terms and higher-order Hoeffding projection remainders, which are controlled explicitly. Cluster-robust and HAC estimators of the covariance of the first-order projection, needed for feasible inference, are shown to be consistent. Empirical applications and data-calibrated simulations for inequality, L-moment, and rank-dependence statistics illustrate the finite-sample performance of the proposed procedures.