Estimation of Long Memory in the Presence of a Smooth Nonparametric Trend
存在平滑非参数趋势时的长记忆估计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：摘要明确研究长记忆时间序列、非参数趋势及频域估计，直接对应时间序列，平滑趋势不足以支持结构变化分类。
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…
存在平滑非参数趋势时的长记忆估计
- 研究问题
- 当平稳长记忆过程叠加非参数均值趋势，而有限次差分不能完全消除趋势时，如何估计记忆参数并进行推断？
- 方法与思路
- 作者对加窗和差分后的序列使用半参数 Whittle 型估计，剔除缓慢增加的一组最低频率，并建立中心极限定理。
- 材料陈述的贡献
- 摘要称模拟中加窗和低频剔除对表现关键，新估计可能比原始数据直接估计偏差更小，并改善回归函数推断。
- 阅读关注点
- 阅读全文时应核对趋势平滑程度、差分与加窗选择、频率剔除和带宽增长条件，以及回归函数推断的实现方式。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；调参条件和模拟数值未说明，潜在偏差改善不能视为所有趋势下的保证。
原文摘要
We consider semiparametric estimation of the long-memory parameter of a stationary process in the presence of an additive nonparametric mean function. We use a semiparametric Whittle-type estimator, applied to the tapered, differenced series. Because the mean function is not necessarily a polynomial of finite order, no amount of differencing will completely remove the mean. We establish a central limit theorem for the estimator of the memory parameter, assuming that a slowly increasing number of low frequencies are trimmed from the estimator's objective function. We find in simulations that tapering and trimming, applied either separately or together, are essential for the good performance of the estimator in practice. In our simulation study, we also compare the proposed estimator of the long-memory parameter with a direct estimator obtained from the raw data without differencing or tapering, and finally we study the question of feasible inference for the regression function. We find that the proposed estimator of the long-memory parameter is potentially far less biased than the direct estimator, and consequently that the proposed estimator may lead to more accurate inference on the regression function.