Statistical inference for Levy-driven graph supOU processes: From short- to long-memory in high-dimensional time series
Lévy 驱动的图 supOU 过程统计推断：从短记忆到长记忆的高维时间序列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：摘要直接研究高维时间序列的短记忆、长记忆与动态依赖；图结构用于分量依赖建模，尚不足以归入微观网络与干扰。
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
Lévy 驱动的图 supOU 过程统计推断：从短记忆到长记忆的高维时间序列
- 研究问题
- 如何以简约参数化同时描述高维时间序列的跨分量依赖、短期与长期记忆，并允许不同边际分布，是本文关注的问题。
- 方法与思路
- 作者提出由图结构控制分量依赖的 Lévy 驱动 supOU 过程，构造广义矩估计，并结合模拟与欧洲电力网络中的风电容量因子应用。
- 材料陈述的贡献
- 摘要称该模型在同一参数族中连接短记忆与长记忆，并建立广义矩估计的一致性和渐近正态性，另以模拟考察有限样本表现。
- 阅读关注点
- 应核对图结构是否已知、记忆参数如何识别、矩条件和渐近正态性适用范围，以及模拟与风电应用如何处理高维估计。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或被期刊接收；摘要未说明具体正则条件，也不能据此判断所有长记忆情形的推断有效性。
原文摘要
This article introduces Levy-driven graph supOU processes, a parsimonious parametrisation for high-dimensional time series in which dependence between components is governed by a graph structure. Specifically, the model bridges short- and long-range dependence within a single parametric family while accommodating a wide range of marginal distributions. We further develop a generalised method of moments estimator, establish its consistency and asymptotic normality, and assess its finite-sample performance through a simulation study. Finally, we illustrate the practical relevance of our model and estimation method in an empirical study of wind capacity factors in a European electricity network context.