Improving the Lomb–Scargle Periodogram with the Thomson Multitaper
Notice bibliographique
Résumé
Abstract A common approach for characterizing the properties of time-series data that are evenly sampled in time is to estimate the power spectrum of the data using the periodogram. The periodogram as an estimator of the spectrum is (1) statistically inconsistent (i.e., its variance does not go to zero as infinite data are collected), (2) biased for finite samples, and (3) suffers from spectral leakage. In astronomy, time-series data are often unevenly sampled in time, and it is popular to use the Lomb–Scargle (LS) periodogram to estimate the spectrum. Unfortunately, from a statistical standpoint, the LS periodogram suffers from the same issues as the classical periodogram and has even worse spectral leakage. Here, we present an improvement on the LS periodogram by combining it with the Thomson multitaper approach. The multitaper spectral estimator is well established in the statistics and engineering literature for evenly sampled time series. It is attractive because it directly trades off bias and variance for frequency resolution, and is fast to compute: compared to an untapered spectral estimator, the multitaper adds no more than a couple of seconds for a time series with a million data points on a current desktop computer. Here, we describe an estimator that combines the multitaper with the LS periodogram. We show examples in which this new approach has improved properties compared to traditional approaches in the case of unevenly sampled time series. Finally, we demonstrate an application of the method to astronomy with an application to Kepler data.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».