Ordinary and proper location M -estimates for autoregressive-moving average models
自回归移动平均模型的普通与似然型位置M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：摘要明确研究自回归与移动平均误差下的估计，直接对应时间序列方法。
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
自回归移动平均模型的普通与似然型位置M估计
- 研究问题
- 当非高斯误差具有自回归或移动平均依赖时，沿用独立误差下的位置M估计会在何种程度上损失估计效率？
- 方法与思路
- 作者比较普通位置M估计与适配依赖结构的似然型位置M估计，使用渐近计算及有限样本蒙特卡洛研究评估相对表现。
- 材料陈述的贡献
- 摘要称，普通位置M估计在弱依赖下表现尚可，但非高斯误差具有中强依赖时，其效率可能明显低于适配模型的方法。
- 阅读关注点
- 应核对两类估计量的定义、误差分布及依赖强度设定，并区分纯自回归、纯移动平均结果与一般混合模型的适用范围。
- 阅读边界
- 所给索引摘要未注明稿件版本，也未给出效率数值；比较主要针对纯自回归和纯移动平均，不能直接推广至全部模型。
原文摘要
Proper location M-estimates for a model with non-Gaussian autoregressive-moving average type errors are genuine maximum likelihood type estimates, whereas ordinary location M-estimates are those introduced by P. Huber for independent and identically distributed errors. The relative behaviour of ordinary location M-estimates and proper location M-estimates is studied for situations with dependent errors of purely autoregress ive and purely moving average type. It is shown through asymptotic calculations and finite-sample size Monte Carlo studies that although ordinary location M-estimates are adequate for weak dependency structure, they can be quite inefficient compared with proper M-estimates of location when the non-Gaussian errors have a moderate to strong dependency structure.