Identification of Non-Linear Additive Autoregressive Models
非线性加性自回归模型的滞后识别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：摘要明确研究非线性自回归、弱依赖过程与滞后选择，直接对应时间序列方法方向。
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
非线性加性自回归模型的滞后识别
- 研究问题
- 非线性加性自回归模型如何选择相关滞后，并在利用加性结构降低维度困难的同时获得选择一致性与计算效率？
- 方法与思路
- 作者结合样条估计与贝叶斯信息准则提出滞后选择方法，以逐步程序实施，并通过蒙特卡洛模拟比较其表现。
- 材料陈述的贡献
- 摘要称，在严格平稳且强混合的过程设定下建立选择一致性，模拟显示良好表现及相对局部多项式方法的计算优势。
- 阅读关注点
- 应核对样条复杂度、候选滞后范围、信息准则和逐步搜索规则，检查除平稳与强混合之外的一致性条件及比较设计。
- 阅读边界
- 依据所给 Crossref 摘要；完整正则条件与模拟数值未说明，题名中的识别主要指滞后选择，不能解释为因果识别。
原文摘要
Summary We propose a lag selection method for non-linear additive autoregressive models that is based on spline estimation and the Bayes information criterion. The additive structure of the autoregression function is used to overcome the ‘curse of dimensionality’, whereas the spline estimators effectively take into account such a structure in estimation. A stepwise procedure is suggested to implement the method proposed. A comprehensive Monte Carlo study demonstrates good performance of the method proposed and a substantial computational advantage over existing local-polynomial-based methods. Consistency of the lag selection method based on the Bayes information criterion is established under the assumption that the observations are from a stochastic process that is strictly stationary and strongly mixing, which provides the first theoretical result of this kind for spline smoothing of weakly dependent data.