Local asymptotic normality for regression models with long-memory disturbance
长记忆扰动回归模型的局部渐近正态性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：摘要明确研究分数 ARIMA 长记忆误差及其回归推断，具有直接的时间序列方法依据，未涉及冲击识别。
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…
长记忆扰动回归模型的局部渐近正态性
- 研究问题
- 当回归误差具有分数 ARIMA 长记忆结构时，能否建立局部渐近正态性，并据此构造渐近最优推断？
- 方法与思路
- 作者为具有分数 ARIMA 误差的回归模型建立局部渐近正态性，并讨论线性约束检验、判别与自适应估计。
- 材料陈述的贡献
- 摘要称该理论可支持长记忆背景下的多类渐近最优推断，并较详细处理局部渐近极小极大自适应估计等问题。
- 阅读关注点
- 阅读全文时应核对回归设计、记忆参数与误差分布条件、局部参数化方式，以及最优性和自适应性的具体含义。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；局部渐近正态性的条件、归一化和效率界未说明，不能判断有限样本表现。
原文摘要
The local asymptotic normality property is established for a regression model with fractional ARIMA($p, d, q$) errors. This result allows for solving, in an asymptotically optimal way, a variety of inference problems in the long-memory context: hypothesis testing, discriminant analysis, rank-based testing, locally asymptotically minimax andadaptive estimation, etc. The problem of testing linear constraints on the parameters, the discriminant analysis problem, and the construction of locally asymptotically minimax adaptive estimators are treated in some detail.