Assessing Bias in the Variable Bandpass Periodic Block Bootstrap Method
可变带通周期区块 Bootstrap 方法的偏差评估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：摘要围绕周期相关时间序列的滤波、区块重抽样与抽样分布偏差，直接属于时间序列方法。
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…
可变带通周期区块 Bootstrap 方法的偏差评估
- 研究问题
- 可变带通周期区块 Bootstrap 对周期相关时间序列的抽样分布估计会产生何种偏差，这些偏差如何随模型复杂度变化？
- 方法与思路
- 作者先用带通滤波提取周期相关成分，再保持相关结构进行重抽样，并用 R 模拟不同周期序列来评估整体与逐点均值偏差。
- 材料陈述的贡献
- 摘要称研究补充了该方法此前未充分考察的偏差证据，提供实施建议，并指出周期时间序列重抽样理论的后续发展方向。
- 阅读关注点
- 应核对整体与逐点偏差的定义、滤波和区块参数的选择、模拟模型范围，以及偏差评估是否同时考察区间覆盖率。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未经核实；摘要未给出偏差方向、大小或具体建议，不能据此认定方法无偏或有效。
原文摘要
The Variable Bandpass Periodic Block Bootstrap(VBPBB) is an innovative method for time series with periodically correlated(PC) components. This method applies bandpass filters to extract specific PC components from datasets, effectively eliminating unwanted interference such as noise. It then bootstraps the PC components, maintaining their correlation structure while resampling and enabling a clearer analysis of the estimation of the statistical properties of periodic patterns in time series data. While its efficiency has been demonstrated in environmental and epidemiological research, the theoretical properties of VBPBB, particularly regarding its bias of the estimated sampling distributions, remain unexamined. This study investigates issues regarding biases in VBPBB, including overall mean bias and pointwise mean bias, across a range of time series models of varying complexity, all of which exhibit periodic components. Using the R programming language, we simulate various PC time series and apply VBPBB to assess its bias under different conditions. Our findings provide key insights into the validity of VBPBB for periodic time series analysis and offer practical recommendations for its implementation, as well as directions for future theoretical advancements.