In this article, we show that the recently introduced ordinal pattern dependence fits into the axiomatic framework of general multivariate dependence measures, i.e., measures of dependence between two multivariate random objects. Furthermore, we consider multivariate generalizations of established univariate dependence measures like Kendall's $\tau$, Spearman's $\rho$ and Pearson's correlation coefficient. Among these, only multivariate Kendall's $\tau$ proves to take the dynamical dependence of random vectors stemming from multidimensional time series into account. Consequently, the article focuses on a comparison of ordinal pattern dependence and multivariate Kendall's $\tau$ in this context. To this end, limit theorems for multivariate Kendall's $\tau$ are established under the assumption of near-epoch dependent data-generating time series. We analyze how ordinal pattern dependence compares to multivariate Kendall's $\tau$ and Pearson's correlation coefficient on theoretical grounds. Additionally, a simulation study illustrates differences in the kind of dependencies that are revealed by multivariate Kendall's $\tau$ and ordinal pattern dependence.


翻译:在此篇文章中, 我们显示, 最近引入的 odin 模式依赖性符合一般多变量依赖性措施, 即两个多变量随机对象之间依赖性的度量。 此外, 我们考虑对已有的单变量依赖性措施, 如Kendall $tau$、 Spearman $\rho$和 Pearson 相关系数等, 进行多种变量的概括化概括化。 其中, 只有多变量 Kendall 的 $\tau$ 和 Pearson 相关系数, 才能将来自多层面时间序列的随机矢量的动态依赖性( 即两个多变量随机对象之间的依赖性, 即两个多变量随机对象之间的依赖性度。 因此, 文章侧重于在此背景下比较 。 此外, 一项模拟研究表明, 多变量的肯达尔 $ 和 美元 模式的模型显示差异, 以理论角度显示 。

1
下载
关闭预览

相关内容

【经典书】模式识别概率理论,654页pdf
专知会员服务
81+阅读 · 2021年1月21日
专知会员服务
42+阅读 · 2020年12月18日
专知会员服务
50+阅读 · 2020年12月14日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
迁移学习简明教程,11页ppt
专知会员服务
107+阅读 · 2020年8月4日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
最新BERT相关论文清单,BERT-related Papers
专知会员服务
52+阅读 · 2019年9月29日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
论文浅尝 | Global Relation Embedding for Relation Extraction
开放知识图谱
12+阅读 · 2019年3月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
LibRec 精选:推荐系统的论文与源码
LibRec智能推荐
14+阅读 · 2018年11月29日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
NIPS 2017:贝叶斯深度学习与深度贝叶斯学习(讲义+视频)
机器学习研究会
36+阅读 · 2017年12月10日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
【学习】(Python)SVM数据分类
机器学习研究会
6+阅读 · 2017年10月15日
Arxiv
0+阅读 · 2021年10月15日
Arxiv
0+阅读 · 2021年8月25日
Bivariate Beta LSTM
Arxiv
5+阅读 · 2019年10月7日
VIP会员
相关VIP内容
【经典书】模式识别概率理论,654页pdf
专知会员服务
81+阅读 · 2021年1月21日
专知会员服务
42+阅读 · 2020年12月18日
专知会员服务
50+阅读 · 2020年12月14日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
迁移学习简明教程,11页ppt
专知会员服务
107+阅读 · 2020年8月4日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
最新BERT相关论文清单,BERT-related Papers
专知会员服务
52+阅读 · 2019年9月29日
相关资讯
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
论文浅尝 | Global Relation Embedding for Relation Extraction
开放知识图谱
12+阅读 · 2019年3月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
LibRec 精选:推荐系统的论文与源码
LibRec智能推荐
14+阅读 · 2018年11月29日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
NIPS 2017:贝叶斯深度学习与深度贝叶斯学习(讲义+视频)
机器学习研究会
36+阅读 · 2017年12月10日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
【学习】(Python)SVM数据分类
机器学习研究会
6+阅读 · 2017年10月15日
Top
微信扫码咨询专知VIP会员