Adaptive estimation in a random coefficient autoregressive model
随机系数自回归模型中的自适应估计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：摘要明确研究一阶随机系数自回归模型及其平稳性和参数估计，直接对应时间序列方法方向。
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…
关注这篇论文的作者
随机系数自回归模型中的自适应估计
- 研究问题
- 在平稳遍历的一阶随机系数自回归模型中，未知扰动分布下能否对随机系数均值进行半参数自适应估计？
- 方法与思路
- 作者先建立局部渐近正态性，在创新项及随机系数误差分布关于零对称时，利用广义M估计构造自适应估计量。
- 材料陈述的贡献
- 摘要称对称条件满足Stein自适应估计必要条件，并构造局部渐近极小极大自适应估计量，证明初步M估计的渐近正态性。
- 阅读关注点
- 应核对平稳遍历与对称性条件、半参数扰动路径、局部极小极大准则，以及初步估计到自适应估计的构造步骤。
- 阅读边界
- 材料为OpenAlex索引摘要，稿件版本未注明；自适应结论明确依赖对称性等设定，不能推广到非对称扰动，也不能推断刊本差异。
原文摘要
This paper proves the local asymptotic normality of a stationary and ergodic first order random coefficient autoregressive model in a semiparametric setting. This result is used to show that Stein's necessary condition for adaptive estimation of the mean of the random coefficient is satisfied if the distributions of the innovations and the errors in the random coefficients are symmetric around zero. Under these symmetry assumptions, a locally asymptotically minimax adaptive estimator of the mean of the random coefficient is constructed. The paper also proves the asymptotic normality of generalized M-estimators of the parameter of interest. These estimators are used as preliminary estimators in the above construction.