MétaCan
Menu
Retour à la cohorte
Enregistrement W2797507092 · doi:10.1002/env.2617

Structural break analysis for spectrum and trace of covariance operators

2019· preprint· en· W2797507092 sur OpenAlexafffund
Alexander Aue, Gregory Rice, Ozan Sönmez

Notice bibliographique

RevueEnvironmetrics · 2019
Typepreprint
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueFinancial Risk and Volatility Modeling
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesDivision of Mathematical SciencesNatural Sciences and Engineering Research Council of Canada
Mots-clésCovarianceTRACE (psycholinguistics)Eigenvalues and eigenvectorsOperator (biology)Sample (material)Limit (mathematics)Covariance operatorSample mean and sample covarianceMathematicsApplied mathematicsSpectrum (functional analysis)StatisticsMathematical analysisPhysics

Résumé

récupéré en direct d'OpenAlex

Abstract This paper deals with analyzing structural breaks in the covariance operator of sequentially observed functional data. For this purpose, procedures are developed to segment an observed stretch of curves into periods for which second‐order stationarity may be reasonably assumed. The proposed methods are based on measuring the fluctuations of sample eigenvalues, either individually or jointly, and traces of the sample covariance operator computed from segments of the data. To implement the tests, new limit results are introduced that deal with the large‐sample behavior of vector‐valued processes built from partial sample eigenvalue estimates. These results in turn enable the calibration of the tests to a prescribed asymptotic level. Applications to Australian annual minimum temperature curves and sea surface temperature anomaly records confirm that the proposed methods work well in finite samples. The first application suggests that the variation in annual minimum temperature underwent a structural break in the 1950s, after which typical fluctuations from the generally increasing trend started to be significantly smaller.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
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 enseignants0,267
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
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 Opus0,039
Tête enseignante GPT0,229
Écart entre enseignants0,190 · 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.

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

Citations1
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEnvironmetricsMême sujetFinancial Risk and Volatility ModelingTravaux en français237 207