Testing for Serial Independence via Auto Hilbert-Schmidt Independence Criterion
基于自希尔伯特–施密特独立性准则的序列独立性检验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：摘要明确研究平稳时间序列的序列独立性检验与残差诊断，直接对应时间序列。
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…
基于自希尔伯特–施密特独立性准则的序列独立性检验
- 研究问题
- 严格平稳序列可能存在非线性序列依赖，如何利用核方法检验独立性，并处理滞后重叠观测及模型参数估计对原假设分布的影响？
- 方法与思路
- 作者构建 AutoHSIC 滞后 U 统计量，推导单滞后及综合检验的极限行为，以 wild bootstrap 近似临界值，并扩展到残差诊断。
- 材料陈述的贡献
- 摘要称建立了原假设与固定备择下的极限理论和自助法有效性，模拟及应用展示其检测多元、函数型和矩阵序列非线性依赖的能力。
- 阅读关注点
- 应核对严格平稳之外的依赖条件、核选择与滞后数设定、原假设下的退化处理，以及残差检验如何修正参数估计带来的分布变化。
- 阅读边界
- 所用版本为 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出完整条件和功效数值，检测能力及自助法保证不能推广到任意序列。
原文摘要
We develop a Hilbert--Schmidt independence criterion (HSIC)-based framework for testing serial independence in strictly stationary time series. The proposed auto Hilbert--Schmidt independence criterion (AutoHSIC) measures dependence between an observation and its lagged counterpart, providing a kernel-based approach to detecting nonlinear serial dependence. The empirical AutoHSIC statistic is a lagged U-statistic constructed from overlapping observations, and hence inherits temporal dependence even under the i.i.d. null. Its asymptotic analysis therefore differs from standard i.i.d. HSIC theory and must account for degeneracy under the null. We establish the limiting behaviour of the resulting single-lag and portmanteau tests under the null and under fixed alternatives. Since the limiting null distribution is non-pivotal, we develop a wild bootstrap procedure for critical value approximation and prove its asymptotic validity. The framework is further extended to residual-based model diagnostics, where parameter estimation affects the null distribution. Simulations and empirical applications illustrate its ability to detect nonlinear serial dependence in multivariate, functional and matrix time series.