Self-Weighted Least Absolute Deviation Estimation for Infinite Variance Autoregressive Models
无限方差自回归模型的自加权最小绝对偏差估计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：摘要明确针对无限方差自回归模型及重尾时间序列的参数估计与检验，因此归入时间序列方向。
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
无限方差自回归模型的自加权最小绝对偏差估计
- 研究问题
- 研究误差或过程具有无限方差的自回归模型中，如何构造能够支持渐近正态推断与参数线性约束检验的估计方法。
- 方法与思路
- 作者提出自加权最小绝对偏差估计，在误差密度及其导数一致有界的条件下分析渐近分布，并构造 Wald 检验。
- 材料陈述的贡献
- 摘要称，该估计量具有渐近正态性，所构造检验具有非平凡局部功效，并提供模拟和真实数据示例考察有限样本表现。
- 阅读关注点
- 读全文时应核对自权重构造、平稳性及误差条件，关注渐近方差估计，以及局部备择与重尾程度如何影响检验功效。
- 阅读边界
- 仅据 Crossref 摘要；密度有界条件之外的完整假设及模拟数值未说明，不能把结论推广到所有无限方差自回归过程。
原文摘要
Summary How to undertake statistical inference for infinite variance autoregressive models has been a long-standing open problem. To solve this problem, we propose a self-weighted least absolute deviation estimator and show that this estimator is asymptotically normal if the density of errors and its derivative are uniformly bounded. Furthermore, a Wald test statistic is developed for the linear restriction on the parameters, and it is shown to have non-trivial local power. Simulation experiments are carried out to assess the performance of the theory and method in finite samples and a real data example is given. The results are entirely different from other published results and should provide new insights for future research on heavy-tailed time series.