Asymptotic Uniform False Discovery Rate Control for Inference of Time-varying Correlations
时变相关性推断的渐近一致错误发现率控制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：摘要核心是高维非平稳时间序列的时变相关性及统一多重检验，金融数据仅为应用，未明确其他金融细分目标。
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…
时变相关性推断的渐近一致错误发现率控制
- 研究问题
- 高维非平稳时间序列的相关性随连续时间变化时，如何控制整个时间区间的错误发现，而不只保证逐点控制？
- 方法与思路
- 作者以错误发现比例过程的 Lr 范数期望定义准则，结合稳健差分估计、乘子自助法和时变 BY 程序开展统一推断。
- 材料陈述的贡献
- 摘要称该程序在任意依赖下具有渐近有效性，允许非高斯、非线性及均值跳跃，并以模拟和脑电、金融数据展示应用。
- 阅读关注点
- 应核对范数阶数增长、局部平稳与均值跳跃的限制、自助法统一近似，以及连续时间结果在离散计算中的实现。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未经核实；摘要未给出带宽、维度增长及依赖条件，不能将渐近控制视为有限样本保证。
原文摘要
Inference for locally stationary time series is challenging because the associated hypotheses form an uncountable collection over a continuous time interval, making pointwise false discovery rate (FDR) control inadequate for simultaneous statistical guarantees. We introduce a novel asymptotically uniform false discovery rate (AuFDR), defined as the expectation of the $L_r$-norm of the false discovery proportion (FDP) process where $r$ is allowed to diverge, to quantify and control false discoveries uniformly over time. To operationalize AuFDR control, we develop an inferential framework for time-varying correlations in high-dimensional nonstationary time series that allows for non-Gaussianity, nonlinearity and possible jumps in mean functions. The proposed approach combines robust difference-based estimators with a multiplier-bootstrap procedure to construct uniformly valid time-varying $P$-values. Based on these $P$-values, we propose a time-varying Benjamini--Yekutieli procedure for controlling the AuFDR under arbitrary dependence and establish its asymptotic validity. Extensive simulations demonstrate the finite-sample performance of the proposed method in controlling the AuFDR. Applications to EEG data and financial time-series data illustrate its practical utility.