×
贾里·米提宁；凯特琳·伊尔纳；克劳斯·诺德豪森；汉努·奥贾；萨拉·塔西宁；Theis，Fabian J。

使用自方差矩阵分离不相关平稳时间序列。 （英语） Zbl 1381.62250号

J.时间序列。分析。 37，第3期，337-354（2016）.
小结：在盲源分离中，假设观测到的p个时间序列是p个潜在的不相关弱平稳时间序列的线性组合。为了估计将观测时间序列转换回不相关潜在时间序列的分解矩阵，二阶盲辨识（SOBI）使用具有多个滞后的协方差矩阵和自方差矩阵的联合对角化。在本文中，我们在一般条件下找到了著名的对称SOBI估计的极限分布，并将其渐近效率与最近引入的基于收缩的SOBI估计器的渐近效率进行了比较。一些有限样本模拟研究说明了这一理论。

引用于13文件

MSC公司：

62M10个 统计学中的时间序列、自相关、回归等（GARCH）
2012年12月62日 参数估计量的渐近性质

关键词：

渐近正态性；盲源分离；联合对角化；线性过程；SOBI公司

软件：

BSSasymp公司
PDF格式BibTeX公司 XML格式引用
\textit{J.Miettinen}等人，J.Time-Ser。分析。37，第337-354号（2016年；兹bl 1381.62250）
全文： 内政部 arXiv公司

参考文献：

[1] Allassonniere，概率独立成分分析的随机算法，《应用统计学年鉴》，第6页，第125页–（2012年）·兹比尔1358.62060 ·doi:10.1214/11-AOAS499
[2] Bai，《确定近似因子模型中的因子数》，《计量经济学70》第191页–（2002）·兹比尔1103.91399 ·doi:10.111/1468-0262.00273
[3] Belouchrani，使用二阶统计的盲源分离技术，IEEE信号处理汇刊45，第434页–（1997）·数字对象标识代码：10.1109/78.554307
[4] Bonhome，一致噪声独立成分分析，《计量经济学杂志》149第12页–（2009）·Zbl 1429.62215号 ·doi:10.1016/j.jeconom.2008.12.019
[5] 布罗克韦尔，《时间序列：理论和方法》（1991年）·Zbl 0709.62080号 ·数字对象标识代码：10.1007/978-1-4419-0320-4
[6] Chen，高效独立成分分析，《年鉴统计》第34页，第2825页–（2006年）·Zbl 1114.62033号 ·doi:10.1214/0090536000000939
[7] Chen，基于独立成分分析的风险投资组合价值，《计算与应用数学杂志》205第594页–（2007）·Zbl 1117.91379号 ·doi:10.1016/j.cam.2006.05.016
[8] 克拉克森，算法AS 211的最小二乘版本：F-G对角化算法，应用统计学37，第317页–（1988）·doi:10.2307/2347359
[9] Comon，《盲源分离手册》。独立成分分析与应用（2010）
[10] Forni，《广义动态因子模型：识别与估计》，《经济学与统计学评论》82页540–（2000）·网址：10.1162/003465300559037
[11] Forni，《具有无限维因子空间的动态因子模型：单侧表示》，《计量经济学杂志》185页，第359页–（2015）·兹比尔1331.62466 ·doi:10.1016/j.jeconom.2013.10.017
[12] Garcia-Ferrer，《统计与计量经济学系列11》，载于：工作文件11-16（2011）
[13] Garcia-Ferrer，《一个条件异方差独立因子模型及其在金融股票收益中的应用》，《国际预测杂志》第28期，第70页–（2012年）·doi:10.1016/j.ijforecast.2011.02.010
[14] Hallin，不对称独立成分分析的R估计，《美国统计协会杂志》110第218页–（2015）·Zbl 1381.62145号 ·doi:10.1080/01621459.2014.909316
[15] Hastie，《神经信息处理系统进展》15。第649页–（2003）
[16] Hyvärinen，独立成分分析（2001）·doi:10.1002/0471221317
[17] Illner，使用二阶盲源分离算法的极限分布进行模型选择，《信号处理》113第95页–（2015）·doi:10.1016/j.sigpro.2015.017.017
[18] Ilmonen，《多元分布和不变坐标系的特征》，《统计学与概率快报》80页1844–（2010a）·Zbl 1202.62068号 ·doi:10.1016/j.spl.2010.08.010
[19] Ilmonen，潜在变量分析和信号分离，第229页–（2010b）·兹伯利05804661 ·doi:10.1007/978-3-642-15995-4_29
[20] Ilmonen，对称独立成分模型中基于符号秩的半参数有效推断，《年鉴统计》39，第2448页–（2011）·Zbl 1231.62043号 ·doi:10.1214/11-AOS906
[21] Jutten C Taleb A 2000来源分离：从黄昏到黎明赫尔辛基
[22] Lee，涉及自相关源的独立成分分析及其在功能磁共振成像中的应用，《美国统计协会杂志》106 pp 1009–（2011）·Zbl 1229.62123号 ·doi:10.198/jasa/2011.tm10332
[23] Matilainen，时间序列的新独立成分分析工具，《统计与概率快报》105，第80页–（2015）·Zbl 1396.62214号 ·doi:10.1016/j.spl.2015.04.033
[24] Matteson，多元时间序列的动态正交分量，美国统计协会杂志106页1450–（2011）·Zbl 1323.62086号 ·doi:10.1198/jasa.2011.tm10616
[25] Miettinen，平稳时间序列盲源分离估计器的统计特性，《统计学与概率快报》82页1865–（2012）·Zbl 1312.62110号 ·doi:10.1016/j.spl.2012.06.025
[26] Miettinen，基于偏差的不相关平稳时间序列分离，多元分析杂志123页214–（2014a）·Zbl 1278.62147号 ·doi:10.1016/j.jmva.2013.09.009
[27] Miettinen，基于R中联合对角化的盲源分离：软件包JADE和BSSasymp。提交（2014年b）
[28] Nordhausen，《关于增强非平稳时间序列的一些二阶盲源分离方法》，《统计论文》55，第141页–（2014）·Zbl 1308.62176号 ·doi:10.1007/s00362-012-0487-5
[29] Nordhausen K Ollila E Oja H 2011关于ICA和盲源分离旧金山的性能指标
[30] Nordhausen，空间相关成分数据的盲源分离，发表在《数学地球科学》47（7）第753页–（2015）·Zbl 1323.86031号 ·doi:10.1007/s11004-014-9559-5
[31] Oja，分散矩阵和独立成分分析，《奥地利统计杂志》35页175–（2006）
[32] Poncela，《独立成分分析的进一步研究》，《国际预测杂志》28页，第94页–（2012年）·doi:10.1016/j.ij预测2011.02.004
[33] Samworth，通过非参数最大似然估计进行独立成分分析，Annals Statistic 40 pp 2973–（2013）·Zbl 1296.62084号 ·doi:10.1214/12-AOS1060
[34] Schachtner，通过矩阵分解进行基于知识的基因表达分类，生物信息学24（15）pp 1688–（2008）·Zbl 05511683号 ·doi:10.1093/bioinformatics/btn245
[35] Tang，从EEG中恢复相关神经元源：使用SOBI的好方法和坏方法，NeuroImage 7 pp 507–（2005）·doi:10.1016/j.neuroimage.2005.06.062
[36] Tong L Soon VC Huang YF Liu R 1990 AMUSE：一种新的盲辨识算法新奥尔良
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。