Computer-intensive rate estimation, diverging statistics and scanning
计算密集型速率估计、发散统计量与扫描方法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：摘要明确讨论数据序列的扫描及长记忆参数估计，支持时间序列分类。
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
计算密集型速率估计、发散统计量与扫描方法
- 研究问题
- 如何根据统计量随样本规模的发散或收敛变化估计其速率，并通过提取和组合不同子样本提高速率估计的准确性？
- 方法与思路
- 作者以适当统计量的样本内演变为基础，通过简单最小二乘构造速率估计，再对不同扫描得到的子样本估计进行组合。
- 材料陈述的贡献
- 摘要称方法无需选择调节参数，在较一般设定下具有准确性，并讨论重尾指数与长记忆参数估计，辅以小规模模拟。
- 阅读关注点
- 阅读全文时应核对可用统计量的增长形式、扫描与组合规则、依赖条件，以及重尾指数和长记忆应用中的精度衡量。
- 阅读边界
- 依据稿件版本未注明的 OpenAlex 索引摘要；一般设定的具体条件和模拟结果未说明，不能将无调参表述扩大到全部实施选择。
原文摘要
A general rate estimation method is proposed that is based on studying the in-sample evolution of appropriately chosen diverging/converging statistics. The proposed rate estimators are based on simple least squares arguments, and are shown to be accurate in a very general setting without requiring the choice of a tuning parameter. The notion of scanning is introduced with the purpose of extracting useful subsamples of the data series; the proposed rate estimation method is applied to different scans, and the resulting estimators are then combined to improve accuracy. Applications to heavy tail index estimation as well as to the problem of estimating the long memory parameter are discussed; a small simulation study complements our theoretical results.