On Estimating Time Series Parameters Using Sample Autocorrelations
利用样本自相关估计时间序列参数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：摘要直接研究线性时间序列的谱密度、样本自相关与参数估计，支持时间序列分类，但未涉及具体宏观应用。
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
利用样本自相关估计时间序列参数
- 研究问题
- 对于谱密度由创新方差与参数化函数共同决定的标量线性过程，能否仅用样本自相关估计参数，并刻画其渐近精度？
- 方法与思路
- 作者构造仅依赖样本自相关的一类参数估计量，研究其一致性、渐近正态性与协方差下界，并讨论多变量推广。
- 材料陈述的贡献
- 摘要称渐近协方差不依赖创新分布，且最小二乘估计达到该类估计量的协方差下界；另给出一项多变量推广。
- 阅读关注点
- 应核对线性过程与创新项的正则条件、自相关的选取方式、最小二乘目标，以及协方差下界所限定的估计量类别。
- 阅读边界
- 仅依据所给 Crossref 摘要；摘要未说明矩条件和具体协方差公式，分布无关性及效率结论不能扩展到任意过程或估计量。
原文摘要
SUMMARY Consider a scalar linear process {xt} whose spectral density is σ 2 k(λ, θ 0) where σ2 is the innovation variance and k(⋅,θ0)∈{k(⋅,θ):θ∈S⊂ℝq}. We introduce a class of estimators of θ0 based only on the sample autocorrelations. These estimators are shown to be consistent and asymptotically normally distributed with a covariance matrix which is independent of the distributions of the innovations. A lower bound to the asymptotic covariances of these estimators is derived and is shown to be achieved by the least-squares estimator. We also consider the extent to which these results generalize to the multivariate case. In particular, we present a multivariate generalization of the main result presented by Kabaila (1980).