Joint semi-parametric INAR bootstrap inference for model coefficients and innovation distribution
INAR模型系数与创新分布的联合半参数自助推断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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要直接研究计数时间序列的自回归模型及其自助推断，因此归入时间序列。
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
INAR模型系数与创新分布的联合半参数自助推断
- 研究问题
- 如何对整数值自回归模型的系数与创新分布进行联合推断，并避免已知极限分布在实际应用中计算繁琐的问题？
- 方法与思路
- 作者研究半参数INAR自助法，在不为创新分布指定参数形式的框架下，同时处理二项稀疏化系数与离散创新分布的估计。
- 材料陈述的贡献
- 摘要称证明了自助法对模型系数及创新分布的联合一致性，并展示拟合优度检验、预测推断和联合离散指数分析等用途。
- 阅读关注点
- 应核对联合一致性的具体条件、自助样本生成步骤、创新分布推断的形式，以及不同创新分布下模拟和应用的表现。
- 阅读边界
- 这是arXiv预印本，同行评审与期刊接收未获核实。摘要未说明一致性条件、具体重抽样算法及有限样本结果的数值。
原文摘要
For modeling the serial dependence in time series of counts, various approaches have been proposed in the literature. In particular, models based on a recursive, autoregressive-type structure such as the well-known integer-valued autoregressive (INAR) models are very popular in practice. The distribution of such INAR models is fully determined by a vector of autoregressive binomial thinning coefficients and the discrete innovation distribution. While fully parametric estimation techniques for these models are mostly covered in the literature, a semi-parametric approach allows for consistent and efficient joint estimation of the model coefficients and the innovation distribution without imposing any parametric assumptions. Although the limiting distribution of this estimator is known, which, in principle, enables asymptotic inference and INAR model diagnostics on the innovations, it is cumbersome to apply in practice. In this paper, we consider a corresponding semi-parametric INAR bootstrap procedure and show its joint consistency for the estimation of the INAR coefficients and for the estimation of the innovation distribution. We discuss different application scenarios that include goodness-of-fit testing, predictive inference and joint dispersion index analysis for count time series. In simulations, we illustrate the finite sample performance of the semi-parametric INAR bootstrap using several innovation distributions and provide real-data applications.