针对弱相关时间过程，已经深入研究了基于块的重采样估计器，这有助于为实现提供信息（例如，最佳块大小）。然而，对于重采样性能和块大小在强或长期依赖性下的情况，人们知之甚少。为了在块选择中建立路标，我们考虑了由平稳长记忆高斯序列变换形成的一大类强相关时间过程，并检验了基于块的重采样估计量对典型样本均值方差的影响；还考虑了对一般统计泛函的扩展。与弱相关性不同，强相关性下的重采样估计器的特性不仅与长记忆系数和块大小有关，还与时间序列（Hermite秩以外）中非线性的性质密切相关。此外，直觉通常认为，在强依赖性下，最佳块大小应该更大（例如$\mathit{<trans\; data-src="O">O（运行）</trans>}<trans\; data-src="(">(</trans>{\mathit{<trans\; data-src="n">n个</trans>}}^{\mathrm{<trans\; data-src="1">1</trans>}<trans\; data-src="/">/</trans>\mathrm{<trans\; data-src="2">2</trans>}}<trans\; data-src=")">)</trans>$对于样本大小n个)比最优订单$\mathit{<trans\; data-src="O">O（运行）</trans>}<trans\; data-src="(">(</trans>{\mathit{<trans\; data-src="n">n个</trans>}}^{\mathrm{<trans\; data-src="1">1</trans>}<trans\; data-src="/">/</trans>\mathrm{<trans\; data-src="3">三</trans>}}<trans\; data-src=")">)</trans>$在弱依赖性下已知。这种直觉被证明在很大程度上是不正确的，尽管这是一个整块订单$\mathit{<trans\; data-src="O">O（运行）</trans>}<trans\; data-src="(">(</trans>{\mathit{<trans\; data-src="n">n个</trans>}}^{\mathrm{<trans\; data-src="1">1</trans>}<trans\; data-src="/">/</trans>\mathrm{<trans\; data-src="2">2</trans>}}<trans\; data-src=")">)</trans>$由于长记忆时间序列中的非线性，在许多情况下可能是合理的（甚至是最佳的）。虽然最优块大小在长期依赖性下比在短期依赖性下更复杂，但我们为块选择提供了一致的数据驱动规则。数值研究表明，块选择指南在其他具有长记忆时间序列的基于块的问题中表现良好，例如分布估计和Hermite秩测试策略。