Functional dependence and synchronous coupling in ergodic autoregressions
遍历自回归中的函数依赖与同步耦合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：摘要研究非线性自回归过程、创新耦合和函数依赖度量，其核心是时间序列依赖理论，未提供其他细分应用的依据。
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
遍历自回归中的函数依赖与同步耦合
- 研究问题
- 自回归过程即使一致遍历，是否仍可能在相同创新驱动下无法忘却初始扰动，而函数依赖度量又如何受到概率空间选择影响？
- 方法与思路
- 作者构造若干一致遍历自回归过程，考察自然创新耦合随参数变化的行为，并将同步轨迹记忆变化与相关 Lyapunov 指数符号联系。
- 材料陈述的贡献
- 摘要称，正 Lyapunov 指数可能阻碍同步轨迹忘却初始扰动，即使马尔可夫链一致遍历；这揭示了应用函数依赖度量时指定概率空间的必要性。
- 阅读关注点
- 应核对反例模型、创新表示和自然概率空间的具体定义，以及记忆丧失的度量；尤其区分分布层面的遍历性质与同步轨迹的稳定性。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未给出模型族及参数阈值，不能把这些反例推广为所有遍历自回归过程的性质。
原文摘要
Functional dependence measures have become an important tool in the analysis of nonlinear time series and are typically formulated with respect to a given innovation representation of the process. This note points out that the probability space on which such representations yield the expected memory loss properties may not always coincide with the natural dynamical probability space of the model. We exhibit classes of uniformly ergodic autoregressive processes for which the behavior of the natural innovation coupling undergoes a qualitative transition as the model parameter varies. For this family of models, this transition coincides with a change in the sign of an associated Lyapunov exponent. In particular, a positive Lyapunov exponent may prevent the forgetting of initial perturbations along trajectories driven by the same innovations, despite uniform ergodicity of the associated Markov chain. These observations highlight the importance of carefully specifying the underlying probability space when interpreting or applying functional dependence measures.