A portmanteau test for multivariate non-stationary functional time series with an increasing number of lags
滞后数递增的多元非平稳函数型时间序列综合检验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：摘要以多元局部平稳函数型时间序列的白噪声检验和滞后依赖为核心，直接对应时间序列方法。
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…
关注这篇论文的作者
滞后数递增的多元非平稳函数型时间序列综合检验
- 研究问题
- 对同时具有时间和空间依赖、生成机制随时间变化的多元函数型数据，如何不经降维检验白噪声假设并允许滞后数增加？
- 方法与思路
- 作者构造综合检验，以涉及递增滞后的二阶退化 U 统计量高斯近似为基础，并使用自助法实施检验。
- 材料陈述的贡献
- 摘要称提供具有独立价值的高斯近似结果，并通过理论、模拟与能源消费数据分析展示对白噪声偏离的检测能力。
- 阅读关注点
- 应核对局部平稳性与函数空间条件、维度及滞后数增长限制、自助法有效性，以及没有明确极限分布时如何控制检验水平。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要明确统计量是否存在极限分布尚不清楚，具体近似条件与检验结果未说明。
原文摘要
Multivariate locally stationary functional time series provide a flexible framework for modeling functional data exhibiting both temporal and spatial dependencies while allowing for a time-varying data generating mechanism. In this paper, we introduce a portmanteau-type test for assessing white noise assumptions tailored for multivariate locally stationary functional time series without dimension reduction. A simple bootstrap procedure is proposed to implement the test, because it is not clear if the limiting distribution of the test statistic exists. Our approach is based on a Gaussian approximation result for a degenerate $U$-statistic of second-order functional time series involving an increasing number of lags, which is of independent interest. Through theoretical analysis, simulation studies, and real data analysis of energy consumptions, we demonstrate the efficacy and adaptability of the proposed method in detecting departures from white noise assumptions in multivariate locally stationary functional time series. Finally, the R package corresponding to our method can be downloaded from https://github.com/Lujia-Bai/nftsport.