A Canonical Analysis of Multiple Time Series
多元时间序列的典型分析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。
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：摘要明确针对多维平稳自回归时间序列提出变换与动态分析方法，直接对应时间序列方向。
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
多元时间序列的典型分析
- 研究问题
- 如何将多维平稳自回归过程转换为按可预测程度排序的成分，并利用这些成分理解变量的同期关系与序列的动态特征？
- 方法与思路
- 作者提出针对多维平稳自回归过程的典型变换，将变换后成分由最难预测到最易预测排列，并用五变量序列说明方法。
- 材料陈述的贡献
- 摘要称较难预测的成分常接近白噪声，可反映稳定同期关系；较易预测的成分可接近非平稳，体现序列动态增长特征。
- 阅读关注点
- 应核对典型变换和可预测性的具体定义、平稳过程与近非平稳成分的关系，以及实例中各成分的统计解释依据。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；变换公式和实例结果未说明，所述成分特征不能直接解释为因果关系或共同趋势。
原文摘要
This paper proposes a canonical transformation of a k-dimensional stationary autoregressive process. The components of the transformed process are ordered from least to most predictable. The least predictable components are often nearly white noise which can reflect stable contemporaneous relationships among the original variables. The most predictable can be nearly nonstationary representing the dynamic growth characteristic of the series. The method is illustrated with a series with five variables.