Online Bootstrap Inference for the Trend of Nonstationary Time Series
非平稳时间序列趋势的在线自助法推断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：摘要明确研究非平稳时间序列的水平估计、指数平滑、移动平均和在线推断，方法主题直接对应时间序列。
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…
非平稳时间序列趋势的在线自助法推断
- 研究问题
- 对不断到达的非平稳时间序列，如何在在线估计水平或趋势的同时，提供跨时间统一覆盖且可扩展的不确定性量化？
- 方法与思路
- 作者为可写成时间窗口内加权样本均值的水平估计量设计在线自助法，涵盖指数平滑与移动平均，并以渐近论证支持推断。
- 材料陈述的贡献
- 摘要称方法提供校准良好的跨时间统一覆盖，模拟显示多种非平稳情景下有限样本表现良好，可支持监控与异常检测。
- 阅读关注点
- 应核对非平稳与序列依赖条件、窗口和权重限制、统一覆盖的时间范围，以及在线更新时重抽样成本与覆盖误差。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出非平稳过程类别、覆盖定理条件和模拟数值，适用边界仍需全文确认。
原文摘要
This article proposes an online bootstrap scheme for nonparametric level estimation in nonstationary time series. Our approach applies to a broad class of level estimators expressible as weighted sample averages over time windows, including exponential smoothing methods and moving averages. The bootstrap procedure is motivated by asymptotic arguments and provides well-calibrated uniform-in-time coverage, enabling scalable uncertainty quantification in streaming or large-scale time-series settings. This makes the method suitable for tasks such as adaptive anomaly detection, online monitoring, or streaming A/B testing. Simulation studies demonstrate good finite-sample performance of our method across a range of nonstationary scenarios. In summary, this offers a practical resampling framework that complements online trend estimation with reliable statistical inference.