Testing for independence in high dimensions based on empirical copulas
基于经验 Copula 的高维独立性检验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。
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：文本研究通用高维依赖检验，Copula 的使用不足以证明其属于金融风险或经济分布效应研究。
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
基于经验 Copula 的高维独立性检验
- 研究问题
- 当变量数接近甚至超过样本量时，如何检验独立性，并识别仅考察两两关系可能遗漏的更高阶依赖？
- 方法与思路
- 作者结合 Copula 表示与经验 Copula 过程的 Möbius 变换构造检验，利用鞅中心极限定理建立渐近分布并开展模拟。
- 材料陈述的贡献
- 摘要称所提方法能够检测高阶依赖，相关统计量收敛到标准正态分布，从而便于设置临界值，并用模拟展示结果。
- 阅读关注点
- 应核对所检验的独立性假设、高阶交互项的选取与聚合方式，以及维数增长条件、临界值校准和模拟中的功效表现。
- 阅读边界
- 依据稿件版本未注明的 OpenAlex 索引摘要。摘要未给出维数限制、统计量细节及模拟数值，不能保证对所有高阶依赖均有检出能力，也不推断刊本变化。
原文摘要
Testing for pairwise independence for the case where the number of variables may be of the same size or even larger than the sample size has received increasing attention in the recent years. We contribute to this branch of the literature by considering tests that allow to detect higher-order dependencies. The proposed methods are based on connecting the problem to copulas and making use of the Moebius transformation of the empirical copula process; an approach that is related to Lancaster interactions and that has already been used successfully for the case where the number of variables is fixed. Based on a martingale central limit theorem, it is shown that respective test statistics converge to the standard normal distribution, allowing for straightforward definition of critical values. The results are illustrated by a Monte Carlo simulation study.