基于时变 P 值的学习时变相关性网络并控制错误发现率
统计方法学
2025-12-16 v2 计量经济学
统计理论
统计理论
摘要
本文提出了一个系统性框架，用于在从具有不断增加的潜在均值突变点的高维、非线性、非高斯和非平稳时间序列中学习时变相关性网络时控制错误发现率。我们提出了一种自助法辅助的方法，从对突变点不敏感的时变相关函数的稳健估计中导出相依且时变的 P 值。我们的方法基于一个新的高维高斯逼近结果，用于对跨时间和不同坐标的 P 值进行一致逼近。此外，我们为相依且时变的 P 值建立了理论上有保证的 Benjamini--Hochberg 和 Benjamini--Yekutieli 程序，可以实现一致的错误发现率控制。所提出的方法有严格的数学证明和模拟研究支持。我们还使用大脑脑电图和金融时间序列数据展示了该框架的实际应用。
引用
@article{arxiv.2512.10467,
title = {Learning Time-Varying Correlation Networks with FDR Control via Time-Varying P-values},
author = {Bufan Li and Lujia Bai and Weichi Wu},
journal= {arXiv preprint arXiv:2512.10467},
year = {2025}
}