Empirical likelihood methods with weakly dependent processes
弱相依过程的经验似然方法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：摘要研究弱相依过程，并明确列出时间序列回归与谱密度应用。
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
弱相依过程的经验似然方法
- 研究问题
- 当观测存在弱相依性、按独立数据构造经验似然失效时，如何保留依赖结构并开展估计与置信区间推断？
- 方法与思路
- 作者以观测块构造经验似然，处理一般估计方程；进一步提出块的再分块方法，用于联合分布参数的平滑函数推断。
- 材料陈述的贡献
- 摘要称块经验似然可构造渐近有效置信区间、得到有效估计量，并在所述弱相依平滑函数模型下支持 Bartlett 校正。
- 阅读关注点
- 应核对弱相依条件、分块及块长选择、有效性的参照标准，以及再分块构造与 Bartlett 校正各自需要的条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未列明依赖强度、块长规则和正则条件，不能判断有限样本覆盖表现。
原文摘要
This paper studies the method of empirical likelihood in models with weakly dependent processes. In such cases, if the likelihood function is formulated as if the data process were independent, obviously empirical likelihood fails. We propose to use empirical likelihood of blocks of observations to solve this problem in a nonparametric manner. This method of "blockwise empirical likelihood" preserves the dependence of data, and the resulting likelihood ratios can be used to construct asymptotically valid confidence intervals. We consider general estimating equations, for which an efficient estimator is derived by maximizing blockwise empirical likelihood. We also introduce "blocks-of-blocks empirical likelihood" to conduct inference for parameters of the infinite dimensional joint distribution of data; the smooth function model is used for such cases. We show that blockwise empirical likelihood of the smooth function model with weakly dependent processes is Bartlett correctable. A wide variety of problems, such as time series regressions and spectral densities, can be treated using our methodology.