Hurst exponent estimation of locally self-similar Gaussian processes using sample quantiles
利用样本分位数估计局部自相似高斯过程的 Hurst 指数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：摘要明确研究具有衰减相关的高斯序列与离散路径估计，对应时间序列方法，但未指定宏观应用。
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
利用样本分位数估计局部自相似高斯过程的 Hurst 指数
- 研究问题
- 如何利用离散网格上的样本路径估计局部自相似高斯过程的分形维数，并建立估计量的一致性与渐近正态性？
- 方法与思路
- 作者以样本路径离散变差的样本分位数之凸组合构造估计量，关键工具是相关高斯序列非线性变换的分位数 Bahadur 表示。
- 材料陈述的贡献
- 摘要称提出一类一致的分形维数估计量，推导其几乎处处收敛与渐近正态性，并建立相关序列样本分位数的关键表示。
- 阅读关注点
- 应核对局部自相似与相关衰减条件、离散变差及分位数组合的构造，并查明题名中的 Hurst 指数与摘要中分形维数的关系。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 索引摘要；未核对全文或版本差异。摘要未说明完整正则条件、参数转换关系或有限样本表现。
原文摘要
This paper is devoted to the introduction of a new class of consistent estimators of the fractal dimension of locally self-similar Gaussian processes. These estimators are based on convex combinations of sample quantiles of discrete variations of a sample path over a discrete grid of the interval [0, 1]. We derive the almost sure convergence and the asymptotic normality for these estimators. The key-ingredient is a Bahadur representation for sample quantiles of nonlinear functions of Gaussian sequences with correlation function decreasing as k−αL(k) for some α>0 and some slowly varying function L(⋅).