Tight differencing in spectral density estimation with centrosymmetric kernels
利用中心对称核进行谱密度估计中的短滞后差分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：摘要直接研究序列依赖、谱密度、长期方差及平稳性检验，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…
利用中心对称核进行谱密度估计中的短滞后差分
- 研究问题
- 序列数据存在波动趋势或突跳时，如何让短滞后差分与核平均相容，从而改善对均值变化稳健的谱密度和长期方差估计？
- 方法与思路
- 作者设计适配短滞后差分的中心对称核，并分析差分引入的相关性，构造适用于序列依赖数据的最优差分序列。
- 材料陈述的贡献
- 摘要称，依赖数据的最优差分序列不同于独立数据方案，且无需数据预拟合；所提估计可用于平稳性与白噪声检验。
- 阅读关注点
- 应核对均值趋势和跳变允许的范围、序列依赖条件、最优性的评价准则，以及核与差分配置对检验校准的影响。
- 阅读边界
- 仅依据所给 Crossref 摘要；摘要未说明趋势复杂度、依赖条件及最优性标准，不能据此保证任意非平稳序列下的有效推断。
原文摘要
Summary Mean-robust estimation of spectral density and long-run variance is crucial for many statistical inference procedures. However, existing methods often degrade when serially dependent data exhibit volatile, time-varying trends, or sudden jumps, particularly in small samples. While differencing and kernel averaging are standard tools for achieving mean robustness and consistency, they are not inherently compatible. Combining them can compromise optimality. Specifically, tight differencing, an operation of taking small-lag differences to enhance local de-trending, introduces strong correlations that distort the high-order properties of kernel-averaged estimators. To resolve this incompatibility, we introduce a novel class of centrosymmetric kernels explicitly designed to integrate with tight differencing. We demonstrate that the optimal tight difference sequence for serially dependent data differs from classical sequences designed for independent data. Notably, these proposed optimal sequences are data-independent and can be applied directly without pre-fitting. Finally, the proposed estimators are demonstrated to be useful across various statistical inference tasks, including tests for stationarity and white noise.