NONSTATIONARITY-EXTENDED WHITTLE ESTIMATION
扩展至非平稳情形的 Whittle 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：摘要直接研究长记忆、分数单整及非平稳时间序列的 Whittle 估计。
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…
关注这篇论文的作者
扩展至非平稳情形的 Whittle 估计
- 研究问题
- 当长记忆序列的误差不相关但存在依赖时，如何建立 Whittle 估计的渐近理论，并将估计方法扩展到非平稳分数单整过程？
- 方法与思路
- 作者先研究依赖误差下 Whittle 估计的渐近正态性，再构造非平稳扩展估计，框架涵盖具有 GARCH 类创新的分数模型。
- 材料陈述的贡献
- 摘要称扩展估计具有渐近正态性，且在文中比较框架下比加窗 Whittle 估计更有效率，并以小规模模拟支持理论结果。
- 阅读关注点
- 应核对分数单整参数范围、创新依赖和矩条件、非平稳扩展的构造，以及与加窗估计效率比较所采用的标准。
- 阅读边界
- 仅据所给 Crossref 摘要，无法确认具体条件和效率增益大小；较小模拟不能支持对所有长记忆模型的普遍优越性。
原文摘要
For long memory time series models with uncorrelated but dependent errors, we establish the asymptotic normality of the Whittle estimator under mild conditions. Our framework includes the widely used fractional autoregressive integrated moving average models with generalized autoregressive conditional heteroskedastic-type innovations. To cover nonstationary fractionally integrated processes, we extend the idea of Abadir, Distaso, and Giraitis (2007, Journal of Econometrics 141, 1353–1384) and develop the nonstationarity-extended Whittle estimation. The resulting estimator is shown to be asymptotically normal and is more efficient than the tapered Whittle estimator. Finally, the results from a small simulation study are presented to corroborate our theoretical findings.