Diagnostic Checking in Multivariate ARMA Models With Dependent Errors Using Normalized Residual Autocorrelations
依赖误差下多元 ARMA 模型的诊断：标准化残差自相关方法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：摘要明确研究多元 ARMA、依赖创新项和残差自相关诊断，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…
依赖误差下多元 ARMA 模型的诊断：标准化残差自相关方法
- 研究问题
- 当多元 ARMA 模型的创新项不相关却并非独立时，如何进行残差诊断，避免沿用不适当的传统卡方近似？
- 方法与思路
- 作者推导标准化残差经验自协方差和自相关的渐近分布，并利用自标准化构造适用于依赖创新项的综合检验统计量。
- 材料陈述的贡献
- 摘要称新检验的渐近分布区别于独立同分布下的卡方近似及依赖创新下的加权卡方，并展示模拟和 CAC40 收益应用。
- 阅读关注点
- 核对噪声弱条件、自标准化构造与临界值取得方式，以及参数估计对残差分布和有限样本检验表现的影响。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；噪声条件、临界值和模拟结果未展开，金融收益应用并不等同于收益预测方法。
原文摘要
In this paper, we derive the asymptotic distribution of normalized residual empirical autocovariances and autocorrelations under weak assumptions on the noise. We propose new portmanteau statistics for vector autoregressive moving average models with uncorrelated but nonindependent innovations by using a self-normalization approach. We establish the asymptotic distribution of the proposed statistics. This asymptotic distribution is quite different from the usual chi-squared approximation used under the independent and identically distributed assumption on the noise, or the weighted sum of independent chi-squared random variables obtained under nonindependent innovations. A set of Monte Carlo experiments and an application to the daily returns of the CAC40 is presented. Supplementary materials for this article are available online.