Nonsense associations in Markov random fields with pairwise dependence
具有成对依赖的马尔可夫随机场中的伪关联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：摘要明确分析格点与图上成对依赖对关联统计量和回归推断的影响，对应网络依赖方法。
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…
具有成对依赖的马尔可夫随机场中的伪关联
- 研究问题
- 将时间序列中的伪相关问题推广到格点和图上的正依赖后，相关、协方差及 OLS 系数的方差如何变化，常规推断何时仍有效？
- 方法与思路
- 作者研究格点和图上的马尔可夫随机场，分别考虑二元与连续随机向量，分析相关、协方差和投影所得 OLS 系数的方差及推断条件。
- 材料陈述的贡献
- 摘要称不同设定下依赖可导致方差膨胀、缩小或不变，并给出某些条件，使忽略回归误差正依赖的 OLS 推断仍然有效。
- 阅读关注点
- 应核对向量内部与向量之间依赖的区别、各方差结论对应的模型条件，以及 OLS 推断有效性是否依赖特定解释变量和误差结构。
- 阅读边界
- 所给版本为 arXiv 预印本，不能据此认定已同行评审或被期刊接收；摘要未列出有效推断条件，不能推广为一般忽略依赖的依据。
原文摘要
Yule (1926) identified the issue of "nonsense correlations" in time series data, where dependence within each of two random vectors causes overdispersion -- i.e. variance inflation -- for measures of dependence between the two. During the near century since then, much has been written about nonsense correlations -- but nearly all of it confined to the time series literature. In this paper we provide the first, to our knowledge, rigorous study of this phenomenon for more general forms of (positive) dependence, specifically for Markov random fields on lattices and graphs. We consider both binary and continuous random vectors and three different measures of association: correlation, covariance, and the ordinary least squares coefficient that results from projecting one random vector onto the other. In some settings we find variance inflation consistent with Yule's nonsense correlation. However, surprisingly, we also find variance deflation in some settings, and in others the variance is unchanged under dependence. Perhaps most notably, we find general conditions under which OLS inference that ignores dependence is valid despite positive dependence in the regression errors, contradicting the presentation of OLS in countless textbooks and courses.