Rank-based estimation for all-pass time series models
全通时间序列模型的秩估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论全通 ARMA 时间序列模型的参数估计、非因果与非可逆过程识别，直接属于时间序列方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
全通时间序列模型的秩估计
- 研究问题
- 研究问题：如何为全通时间序列模型（自回归多项式根与移动平均多项式根互为倒数）的参数构造具有渐近正态性、一致性的估计量，以用于识别与建模非因果、非可逆的 ARMA 过程。
- 方法与思路
- 方法思路：作者提出基于秩的估计量，通过最小化 Jaeckel（1972）给出的秩残差离散函数得到参数估计；摘要称该估计量可达到与极大似然估计相同的渐近效率且具有稳健性，并用模拟考察有限样本表现。
- 材料陈述的贡献
- 摘要所述贡献：建立了全通模型参数秩估计量的渐近正态性与一致性，指出其可具备与极大似然相同的渐近效率并具稳健性，且将秩估计用于一个模拟水枪地震记录的卷积反演。
- 阅读关注点
- 阅读时应核对：秩残差离散函数的具体形式与目标函数、渐近正态性与一致性所需的正则条件与识别假设、效率与极大似然相同的条件、模拟设计及地震记录反演的具体设定与结果。
- 阅读边界
- 摘要信息的边界：仅凭摘要无法判断假设是否可检验、有限样本性质的实际优劣、稳健性的具体含义与范围；摘要未说明证明细节、模拟规模与反演评价标准，也未注明稿件版本与同行评审状态。
原文摘要
An autoregressive-moving average model in which all roots of the autoregressive polynomial are reciprocals of roots of the moving average polynomial and vice versa is called an all-pass time series model. All-pass models are useful for identifying and modeling noncausal and noninvertible autoregressive-moving average processes. We establish asymptotic normality and consistency for rank-based estimators of all-pass model parameters. The estimators are obtained by minimizing the rank-based residual dispersion function given by Jaeckel [Ann. Math. Statist. 43 (1972) 1449–1458]. These estimators can have the same asymptotic efficiency as maximum likelihood estimators and are robust. The behavior of the estimators for finite samples is studied via simulation and rank estimation is used in the deconvolution of a simulated water gun seismogram.