Penalised maximum likelihood estimation for fractional Gaussian processes
分数高斯过程的惩罚极大似然估计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：摘要明确研究平稳高斯长记忆过程的估计，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…
关注这篇论文的作者
分数高斯过程的惩罚极大似然估计
- 研究问题
- 对于一类平稳高斯长记忆过程，如何修正极大似然估计的一阶偏差，并考察降低偏差是否会增加均方误差？
- 方法与思路
- 作者将 Firth 的修正得分估计方法应用并扩展到平稳高斯长记忆过程，以构造偏差修正估计，并开展小规模模拟。
- 材料陈述的贡献
- 摘要称所提估计量消除了极大似然估计的一阶偏差；小规模模拟显示偏差明显下降，而对应均方误差没有增加。
- 阅读关注点
- 应核对适用的长记忆过程类别、一阶偏差的渐近定义、修正得分的计算方式，以及模拟参数范围和均方误差比较。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；未提供具体条件或模拟数值，一阶偏差消除不等于有限样本完全无偏。
原文摘要
We apply and extend Firth's (1993) modified score estimator to deal with a class of stationary Gaussian long‐memory processes. Our estimator removes the first‐order bias of the maximum likelihood estimator. A small simulation study reveals the reduction in the bias is considerable, while it does not inflate the corresponding mean squared error.