Model Specification Test for Stationary Functional Time Series
平稳函数时间序列的模型设定检验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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要研究平稳函数型时间序列的模型设定检验与自回归近似，直接属于时间序列方法方向。
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
平稳函数时间序列的模型设定检验
- 研究问题
- 如何对平稳函数型时间序列的模型设定进行检验，包括函数自回归阶数、函数 ARMA 设定以及自回归系数核的可分离性。
- 方法与思路
- 作者提出基于自回归近似的统一框架，用系数核表示平稳函数过程，其维数与自回归阶数可随样本量增长；不同模型假设对应核上的不同结构约束，检验通过加权 L² 距离度量对这些约束的偏离，临界值由乘子自助法获得。
- 材料陈述的贡献
- 摘要称建立了在权重函数类上一致的自助近似，并证明所提检验的渐近有效性与相合性；方法允许数据自适应加权，并通过模拟与一个数据实例加以说明。
- 阅读关注点
- 应核对自回归近似的具体条件、三类检验对应的结构约束形式、权重函数类的范围、乘子自助法的一致近似定理及其正则性假设，以及模拟与实证的具体设定。
- 阅读边界
- 这是 arXiv 预印本，未经同行评审验证；摘要未说明具体数据来源、样本量、模拟结果数值与实证结论，不能据此判断检验的实际表现或相对优势。
原文摘要
We develop a general framework for model specification testing in stationary functional time series. The approach is based on an autoregressive approximation that represents a broad class of stationary functional processes through coefficient kernels whose dimension and autoregressive order may increase with the sample size. Different model assumptions induce different structural restrictions on these kernels, and our tests are constructed by measuring deviations from the corresponding restrictions. We illustrate this principle for three problems: testing a prescribed order of a functional autoregressive model, testing a functional autoregressive moving-average specification, and testing separability of autoregressive coefficient kernels. The resulting statistics are based on weighted $\mathcal{L}^2$-distances, and the critical values are obtained by a multiplier bootstrap. We establish a quantitative bootstrap approximation that is uniform over a class of weight functions and prove asymptotic validity and consistency of the proposed tests. The methodology allows for data-adaptive weighting and is illustrated by simulations and a data example.