Edgeworth’s time series model: Not AR(1) but same covariance structure
Edgeworth 时间序列模型：并非 AR(1)，却具有相同协方差结构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：摘要专门比较时间序列过程的协方差、高阶联合分布及 Markov 结构，直接属于时间序列理论方向。
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
Edgeworth 时间序列模型：并非 AR(1)，却具有相同协方差结构
- 研究问题
- 一个过程即使与高斯 AR(1) 具有相同均值和协方差结构，是否仍可能拥有不同的高阶联合分布并使基于 AR(1) 的推断失效？
- 方法与思路
- 作者分析 Edgeworth 模拟过程的正态误差版本，将其描述为大量过程的混合，并比较二阶结构、较高阶联合分布和转移性质。
- 材料陈述的贡献
- 摘要给出二阶性质无法区分两类过程的警示案例：相邻配对可为二元正态，而较高阶联合分布为正态混合，部分混合成分非平稳。
- 阅读关注点
- 应核对过程的精确定义、混合机制与非平稳成分，以及具有 Markov 结构却不由一步转移算子生成这一表述的数学含义。
- 阅读边界
- 仅据所列出版社摘要，未说明哪些具体推断会失效及其条件；不能将这个反例推广为所有基于协方差的时间序列分析均无效。
原文摘要
In an 1886 paper, Edgeworth developed a method for simulating time series processes with substantial dependence. A version of this process with normal errors has the same means and covariance structure as an AR(1) process, but is actually a mixture of a very large number of processes, some of which are not stationary. That is, joint distributions of lag 3 or greater are not normal but are mixtures of normals (even though all successive pairs are bivariate normal). Thus, it serves as a cautionary example for time series analysis: though the AR(1) process cannot be distinguished from the Edgeworth Process by second order properties, inferences based on an AR(1) assumption can fail under the Edgeworth model. This model has many additional surprising features, among which is that it has Markov structure, but is not generated by a one-step transition operator.