.png){kind=icon}
返回
Statistical Inference for High-Dimensional Spectral Density Matrix
.png){kind=icon}
OA
AI
DOI：10.1080/01621459.2025.2468013.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
谱密度矩阵是时间序列分析中的一个基本研究对象，它编码了多元系统中分量过程之间的当代和动态线性关系。本文在高维设定下开发了针对谱密度矩阵的新型推断方法。具体而言，我们引入了一种新的全局检验程序，用于检验给定频率集合及分量指标对之间的交叉谱密度的零值性。首次采用了高斯近似和参数自助法方法来对频率域中表述的高维参数进行推断，并开发了新的技术工具，以提供全局检验的渐近尺寸准确性和功效保证。我们进一步提出了一种多重检验程序，用于同时检验给定频率集合下交叉谱密度的零值性。该方法被证明能够控制错误发现率。数值模拟和真实数据说明都展示了所提出的检验方法的有用性。本文的补充材料可在网上获取，其中包括可重现该工作的材料的标准化描述。
Keyword:
alpha-mixing
Coherence
Frequency domain inference
Gaussian approximation
Multiple testing
期刊
J
IF:
3
论文数:
5.2K
被引数:
4.8W
机构
引用论文
On sparse high-dimensional graphical model learning for dependent time series.png)
SIGNAL PROCESSING
OAAI
SIGNAL PROCESSINGIF3.6
OAAI分享收藏
查看更多内容