DECIDING BETWEEN I (0) AND I (1) VIA FLIL-BASED BOUNDS
利用函数迭代对数律界限区分 I(0) 与 I(1)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：摘要直接构造区分 I(0) 与 I(1) 时间序列的规则，并处理依赖数据的方差估计，属于时间序列推断。
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
利用函数迭代对数律界限区分 I(0) 与 I(1)
- 研究问题
- 能否利用去均值数据部分和的几乎必然界限，一致地区分 I(0) 与 I(1) 时间序列，并在依赖及异质条件下估计所需方差？
- 方法与思路
- 作者构造适当缩放的多元部分和函数，用强混合过程的函数迭代对数律导出界限，再按是否越界分类并分析方差估计的强一致性。
- 材料陈述的贡献
- 摘要称，该界限产生区分 I(0) 与 I(1) 的一致规则，具有几乎必然的上极限性质，并给出依赖和异质情形下方差强一致估计的条件。
- 阅读关注点
- 应核对强混合与矩条件、缩放和界限的具体形式、方差估计方法，以及渐近分类规则在有限样本中如何实施和校准。
- 阅读边界
- 所给 Crossref 摘要未给出条件和误分类表现；几乎必然的渐近界限不等于有限样本零错误，也未说明其他积分阶数的处理。
原文摘要
We construct properly scaled functions of R p -valued partial sums of demeaned data and derive bounds via the functional law of the iterated logarithm for strong mixing processes. If we obtain a value below or equal to the bound we decide in favor of I (0); otherwise we decide in favor of I (1). This provides a consistent rule for classifying time series as being I (1) or I (0). The nice feature of the procedure lies in the almost sure nature of the bound, guaranteeing a lim sup–type result. We finally provide conditions for the strong consistency of estimators of the variance in the dependent and heterogeneous case.