Serial and nonserial sign-and-rank statistics: Asymptotic representation and asymptotic normality
序列与非序列符号—秩统计量：渐近表示与渐近正态性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：摘要明确研究序列统计量并指向有中位数限制的时间序列模型，支持时间序列方向分类。
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…
序列与非序列符号—秩统计量：渐近表示与渐近正态性
- 研究问题
- 在以中位数定义位置参数且不假设分布对称时，如何结合普通秩与符号构造统计量，并刻画序列与非序列情形的渐近行为？
- 方法与思路
- 作者以普通秩和符号组成的最大不变量为基础，发展 Hájek 式渐近表示理论，分别处理序列与非序列统计量并分析渐近方差。
- 材料陈述的贡献
- 摘要称建立了渐近表示和正态性结果，显示符号为渐近方差带来独立贡献；半参数效率被表述为潜在可能，而非普遍结论。
- 阅读关注点
- 应核对中位数限制、序列依赖条件、符号与秩的方差分解，以及本篇理论与摘要所称后续回归和时间序列应用论文的边界。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体假设未列出，详细应用留待配套论文，不能将潜在半参数效率视为本篇已全面证明。
原文摘要
The classical theory of rank-based inference is entirely based either on ordinary ranks, which do not allow for considering location (intercept) parameters, or on signed ranks, which require an assumption of symmetry. If the median, in the absence of a symmetry assumption, is considered as a location parameter, the maximal invariance property of ordinary ranks is lost to the ranks and the signs. This new maximal invariant thus suggests a new class of statistics, based on ordinary ranks and signs. An asymptotic representation theory à la Hájek is developed here for such statistics, both in the nonserial and in the serial case. The corresponding asymptotic normality results clearly show how the signs add a separate contribution to the asymptotic variance, hence, potentially, to asymptotic efficiency. As shown by Hallin and Werker [Bernoulli 9 (2003) 137–165], conditioning in an appropriate way on the maximal invariant potentially even leads to semiparametrically efficient inference. Applications to semiparametric inference in regression and time series models with median restrictions are treated in detail in an upcoming companion paper.