https://zbmath.org/atom/cc/62F40 2024-04-15T15:10:58.286558Z Werkzeug公司 https://zbmath.org/1530.60022 2024-04-15T15:10:58.286558Z “昌、金源” https://zbmath.org/authors/？q=ai:chang.jinyuan “陈晓辉” https://zbmath.org/authors/？q=ai:chen.xiaohui “吴明聪” https://zbmath.org/authors/？q=ai:wu.mingcong 摘要：基于高维时间序列数据分析中的统计推断问题，我们首先推导了高维相关随机向量和在超矩形、简单凸集和稀疏凸集上的高斯近似的非渐近误差界。我们研究了在三种不同的依赖框架（\（\alpha\）-混合、\（m\）-依赖和物理依赖测度）上，时间依赖对高斯随机向量收敛速度的定量影响。特别地，我们在（α）混合框架下建立了新的误差界，并在物理相关性度量下得出了比现有结果更快的速率。为了在实际统计推断问题中实现所提出的结果，我们还导出了一个基于长期协方差矩阵核型估计的数据驱动参数引导过程。统一的高斯和参数bootstrap近似结果可用于测试具有组合的（ell^2）和（ell^{infty}）型统计的平均向量，进行变化点检测，并为协方差和精度矩阵构造置信区，所有这些都适用于时间序列数据。