时间序列中广义关联的度量：CODEC 系数在确定自回归动力学中的适配与实证评估
统计方法学
2025-09-09 v1 统计计算
摘要
确定自回归模型中包含的滞后阶数仍是一个开放的研究问题，因为将其视为超参数会带来计算负担，尤其是在复杂模型中。本研究探讨了模型无关的关联度量，包括皮尔逊（Pearson）、斯皮尔曼（Spearman）以及最近提出的条件依赖系数（CODEC）的适配，用于指导时间序列中的滞后选择。我们适配并实现了基于 CODEC 的条件独立性特征排序（CODEC-FOCI）算法，并通过涵盖线性、非线性、平稳、非平稳、季节性和异方差过程的广泛模拟评估了其性能。结果表明，CODEC 在非线性和非平稳设置中优于经典基于相关性的度量，尤其适用于大样本量。相比之下，皮尔逊在纯线性模型中表现更好。对基准数据集的应用证实，CODEC 方法识别出的滞后结构与文献中报告的一致。这些发现凸显了 CODEC 作为时间序列分析中探索性滞后识别的实用、无模型工具的潜力。
引用
@article{arxiv.2509.06111,
title = {Measuring General Associations in Time Series: An Adaptation and Empirical Evaluation of the CODEC Coefficient in Determining Autoregressive Dynamics},
author = {Juan Pablo Montaño and Mario E. Arrieta-Prieto},
journal= {arXiv preprint arXiv:2509.06111},
year = {2025}
}
备注
21 pages, 10 figures. Uses standard LaTeX math commands supported by MathJax