ASYMPTOTIC NORMALITY FOR WEIGHTED SUMS OF LINEAR PROCESSES
线性过程加权和的渐近正态性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：摘要直接研究线性过程、长短记忆及加权部分和的时间序列极限理论。
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…
线性过程加权和的渐近正态性
- 研究问题
- 当线性过程的创新为鞅差、权重构成一般三角阵时，何种条件能保证加权和渐近正态及加权部分和过程弱收敛？
- 方法与思路
- 作者在关于权重和创新的条件下建立加权和及部分和过程的极限理论，并讨论不同记忆结构和核型回归估计应用。
- 材料陈述的贡献
- 摘要称，结果适用于短记忆、长记忆和季节性长记忆过程，也可用于部分 ARCH、GARCH 模型及其平方过程的分析。
- 阅读关注点
- 应核对权重与创新条件的精确形式、不同记忆类型的归一化，以及波动率模型和核估计如何满足定理的适用条件。
- 阅读边界
- 仅依据所给 Crossref 版本摘要；所谓最小条件及模型适用范围未具体列出，不能判断任意权重或创新分布是否满足结论。
原文摘要
We establish asymptotic normality of weighted sums of linear processes with general triangular array weights and when the innovations in the linear process are martingale differences. The results are obtained under minimal conditions on the weights and innovations. We also obtain weak convergence of weighted partial sum processes. The results are applicable to linear processes that have short or long memory or exhibit seasonal long memory behavior. In particular, they are applicable to GARCH and ARCH(∞) models and to their squares. They are also useful in deriving asymptotic normality of kernel-type estimators of a nonparametric regression function with short or long memory moving average errors.