MétaCan
Menu
Retour à la cohorte
Enregistrement W1997098670 · doi:10.1198/016214507000000239

Optimal Tests of Noncorrelation Between Multivariate Time Series

2007· article· en· W1997098670 sur OpenAlexaff
Marc Hallin, Abdessamad Saidi

Notice bibliographique

RevueJournal of the American Statistical Association · 2007
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueFinancial Risk and Volatility Modeling
Établissements canadiensUniversité de Montréal
Organismes subventionnairesnon disponible
Mots-clésLocal asymptotic normalityMathematicsSeries (stratigraphy)Autoregressive modelApplied mathematicsGaussianAsymptotic distributionMultivariate statisticsDiagonalCovariance matrixGaussian processRepresentation (politics)Statistics

Résumé

récupéré en direct d'OpenAlex

The problem of testing noncorrelation between two multivariate time series is considered. Assuming that the global process admits a joint vector autoregressive (VAR) representation, noncorrelation between the two component series is equivalent to the hypothesis that all off-diagonal blocks in the matrix coefficients and the innovation covariance of the joint VAR representation are zero. We establish an adequate local asymptotic normality (LAN) property for this VAR model in the vicinity of noncorrelation. This LAN structure allows construction of optimal pseudo-Gaussian tests—that is, tests that are locally and asymptotically optimal under Gaussian innovations, but remain valid under non-Gaussian ones—for the null hypothesis of noncorrelation and for comparing their local asymptotic powers with those of the heuristic tests (Haugh–El Himdi–Roy and Koch–Yang–Hallin–Saidi) proposed in the literature.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,003
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,240
Score d'incertitude au seuil0,330

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,016
Tête enseignante GPT0,262
Écart entre enseignants0,245 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2007
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of the American Statistical AssociationMême sujetFinancial Risk and Volatility ModelingTravaux en français237 207