Long-Range Dependent Curve Time Series
具有长程依赖的曲线时间序列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：摘要明确研究曲线时间序列的长程依赖、长期协方差及记忆参数，直接对应时间序列方法。
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…
具有长程依赖的曲线时间序列
- 研究问题
- 如何对具有长程依赖的函数型时间序列建立极限理论，并估计长期协方差、主要曲线子空间和记忆参数？
- 方法与思路
- 作者研究曲线过程时间和的渐近分布，估计长期协方差函数并进行函数型主成分分析，同时提出半参数记忆参数估计。
- 材料陈述的贡献
- 摘要称建立了涵盖函数型分数积分自回归移动平均过程的正态极限结果和记忆参数一致性，并提供模拟及两项应用。
- 阅读关注点
- 应核对时间和的标准化方式、允许的长记忆范围、协方差估计的调节参数，以及主子空间与记忆参数估计的条件。
- 阅读边界
- 来源为版本未注明的 OpenAlex 索引摘要；摘要未列出极限理论条件或应用数值，不能据此判断所有长记忆过程均满足正态极限或推断刊本变化。
原文摘要
We introduce methods and theory for functional or curve time series with long-range dependence. The temporal sum of the curve process is shown to be asymptotically normally distributed, the conditions for this covering a functional version of fractionally integrated autoregressive moving averages. We also construct an estimate of the long-run covariance function, which we use, via functional principal component analysis, in estimating the orthonormal functions spanning the dominant subspace of the curves. In a semiparametric context, we propose an estimate of the memory parameter and establish its consistency. A Monte Carlo study of finite-sample performance is included, along with two empirical applications. The first of these finds a degree of stability and persistence in intraday stock returns. The second finds similarity in the extent of long memory in incremental age-specific fertility rates across some developed nations. Supplementary materials for this article are available online.