Bootstrapping the Portmanteau Tests in Weak Auto-Regressive Moving Average Models
弱 ARMA 模型综合相关性检验的 Bootstrap 方法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：摘要直接研究弱 ARMA 的序列相关检验，并用于幂广义条件异方差模型的适配性检查，对应时间序列与波动率方向。
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
弱 ARMA 模型综合相关性检验的 Bootstrap 方法
- 研究问题
- 研究弱 ARMA 模型中如何校准 Ljung–Box、Monti 及其加权检验的临界值，并将检验用于条件异方差模型适配性检查。
- 方法与思路
- 作者以随机加权法重抽样四类检验的临界值，提出无需用户选择参数的实现，并研究分块随机加权扩展及波动模型应用。
- 材料陈述的贡献
- 摘要称，随机加权实现无需用户选定参数，模拟中加权检验具有功效优势，并以标普 500 指数数据展示应用。
- 阅读关注点
- 读全文时应核对弱 ARMA 的依赖条件、权重分布及残差估计影响，并确认分块扩展是否需要调参和功效比较是否控制尺寸。
- 阅读边界
- 仅据 Crossref 摘要；依赖条件、模拟配置和数值未提供，功效优势不能泛化，也不能将无需调参的陈述自动延伸至分块版本。
原文摘要
Summary The paper uses a random-weighting (RW) method to bootstrap the critical values for the Ljung–Box or Monti portmanteau tests and weighted Ljung–Box or Monti portmanteau tests in weak auto-regressive moving average models. Unlike the existing methods, no user-chosen parameter is needed to implement the RW method. As an application, these four tests are used to check the model adequacy in power generalized auto-regressive conditional heteroscedasticity models. Simulation evidence indicates that the weighted portmanteau tests have a power advantage over other existing tests. A real example on the Standard and Poor's 500 index illustrates the merits of our testing procedure. As an extension, the blockwise RW method is also studied.