FIXED-B ASYMPTOTICS FOR THE STUDENTIZED MEAN FROM TIME SERIES WITH SHORT, LONG, OR NEGATIVE MEMORY
短记忆、长记忆及负记忆时间序列学生化均值的固定带宽渐近理论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：摘要明确分析不同记忆类型的时间序列均值、方差估计和置信区间，因此时间序列是最直接的分类。
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…
关注这篇论文的作者
短记忆、长记忆及负记忆时间序列学生化均值的固定带宽渐近理论
- 研究问题
- 对具有短记忆、长记忆或负记忆的时间序列，如何估计样本均值的方差，并构造考虑记忆特征的置信区间？
- 方法与思路
- 作者采用固定带宽渐近框架，将短记忆下的分布理论推广到其他记忆类型，并比较核函数及其边界取值的影响。
- 材料陈述的贡献
- 摘要称，学生化均值的分布依赖记忆类型、核函数和边界取值，模拟支持在均值置信区间中考虑记忆特征。
- 阅读关注点
- 应核对固定带宽比例、记忆参数范围及归一化方式，并检查平顶核和边界非零核如何改变极限分布与区间构造。
- 阅读边界
- 仅据所给Crossref摘要，无法确定临界值计算、记忆参数未知时的处理及具体覆盖率，也不能判断各核的普遍优劣。
原文摘要
This paper considers the problem of variance estimation for the sample mean in the context of long memory and negative memory time series dynamics, adopting the fixed-bandwidth approach now popular in the econometrics literature. The distribution theory generalizes the short memory results of Kiefer and Vogelsang (2005, Econometric Theory 21, 1130–1164). In particular, our results highlight the dependence on the kernel (we include flat-top kernels), whether or not the kernel is nonzero at the boundary, and, most important, whether or not the process is short memory. Simulation studies support the importance of accounting for memory in the construction of confidence intervals for the mean.