Jackknife estimation of stationary autoregressive models
平稳自回归模型的刀切估计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：摘要直接研究平稳自回归序列的偏差修正、渐近理论与置信区间。
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
平稳自回归模型的刀切估计
- 研究问题
- 在平稳自回归模型中，如何根据不同抽样方案设置刀切权重以减少偏差，并评估其均方误差和置信区间覆盖表现？
- 方法与思路
- 作者推导偏差削减所需权重，分析非重叠子样本刀切估计的渐近性质，并比较不同刀切与替代估计量的有限样本表现。
- 材料陈述的贡献
- 摘要称，刀切法可显著减少自回归估计偏差，且这一模拟发现对非正态、ARCH 效应和误设较稳健；另考察均方误差与覆盖率。
- 阅读关注点
- 应核对各抽样方案的权重推导、子样本数量固定或增长时的条件，以及偏差下降是否伴随方差、均方误差或覆盖率变化。
- 阅读边界
- 仅据所给出版社摘要，无法判断偏差削减幅度和各项指标的比较结论；偏差减少本身不足以证明均方误差或区间覆盖更优。
原文摘要
This paper explores the properties of jackknife methods of estimation in stationary autoregressive models. Some general results concerning the correct weights for bias reduction under various sampling schemes are provided and the asymptotic properties of a jackknife estimator based on non-overlapping sub-samples are derived for the case of a stationary autoregression of order p when the number of sub-samples is either fixed or increases with the sample size at an appropriate rate. The results of a detailed investigation into the finite sample properties of various jackknife and alternative estimators are reported and it is found that the jackknife can deliver substantial reductions in bias in autoregressive models. This finding is robust to departures from normality, ARCH effects and misspecification. The median-unbiasedness and mean squared error properties are also investigated and compared with alternative methods as are the coverage rates of jackknife-based confidence intervals.