High-dimensional Gaussian Graphical Model Testing for Long-Memory Time Series
长记忆时间序列的高维高斯图模型检验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：摘要的核心对象是长记忆与短记忆高维时间序列的统计检验。
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…
长记忆时间序列的高维高斯图模型检验
- 研究问题
- 高维平稳高斯时间序列具有长记忆时，如何检验图结构中的条件独立性，并在强依赖下控制近似误差与检验有效性？
- 方法与思路
- 作者构造直接的数据自适应统计量，推导有限样本高斯近似界，使用分块自助法校准，并提出一致性修正。
- 材料陈述的贡献
- 摘要称理论覆盖短记忆、长记忆及超高维情形，可扩展至两样本图比较，并以脑成像数据展示功能连接分析。
- 阅读关注点
- 应核对记忆强度、维度增长与协方差结构的限制，以及分块长度选择、自助法有效性和一致性修正的具体条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未列出有限样本界及其条件，应用也不直接识别因果连接。
原文摘要
Many real-world high-dimensional time series exhibit long-memory, but Gaussian graphical model testing in this regime remains understudied. We develop a direct, data-adaptive test statistic for assessing conditional independence in the graph structure of stationary Gaussian time series. We establish a finite-sample, Berry--Esseen type Gaussian approximation bound for the statistic, which applies to both short-memory and long-memory time series. The testing procedure is fully data-adaptive using block bootstrap method, on which we provide a finite-sample validity result including in the ultra-high-dimensional scenario, and can be extended to comparing graphical structures in two-sample tests. We also develop a consistency-empowered correction to the statistic and show that such tests attain asymptotic consistency in both size and power. Our proposed method is applied to a real-world fMRI data to understand functional connectivities within brain in different periods.