On the partial autocorrelation function for locally stationary time series: characterization, estimation and inference
Notice bibliographique
Résumé
SUMMARY For stationary time series, it is common to use plots of the partial autocorrelation function (PACF) or PACF-based tests to explore the temporal dependence structure of the process. To the best of our knowledge, analogues for nonstationary time series have not yet been fully developed. This article aims to fill this gap for locally stationary time series with short-range dependence. First, we characterize the PACF locally in the time domain and show that the jth PACF decays with j at a rate that adapts to the temporal dependence of the time series $ \{x_{i,n}\} $. Second, at each time $ i, $ inspired by Killick et al. (2020). We show that the PACF can be efficiently approximated by the best linear prediction coefficients via the Yule–Walker equations. This allows us to study the PACF via ordinary least squares locally. Third, we show that the PACF is smooth in time for locally stationary time series. We use the sieve method with ordinary least squares to estimate the PACF and construct some statistics to test the PACF and infer the structure of the time series. These tests generalize and modify those used in Brockwell & Davis (1987) for stationary time series. Finally, a multiplier bootstrap algorithm is proposed for practical implementation and an R package Sie2nts is provided to implement the algorithm. Numerical simulations and real-data analysis confirm the usefulness of our results.
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 | 0,005 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».