Bootstrap Inference for a First-Order Autoregression with Positive Innovations
正创新一阶自回归模型的自助法推断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。
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：摘要直接研究一阶自回归序列的参数估计、自助法和置信区间，属于时间序列推断。
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
正创新一阶自回归模型的自助法推断
- 研究问题
- 对创新项为正的一阶自回归序列，如何围绕极值估计量构造有效自助法，以估计抽样分布、建立置信区间并研究偏差修正？
- 方法与思路
- 作者采用自助样本量与原样本量之比趋于零的方案，通过相关点过程的连续收敛结果证明分布近似有效性。
- 材料陈述的贡献
- 摘要称自助法可正确估计所述渐近枢轴量的抽样分布，从而构造完全非参数的自回归系数置信区间，并讨论偏差修正。
- 阅读关注点
- 核对正创新分布的正则变差条件、极值估计量及归一化方式，查看自助样本量选择和正则变差指数对极限分布的影响。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体分布与样本量选择规则未提供，所述枢轴量分布仍依赖正则变差指数。
原文摘要
In this article we consider statistical inference for the autoregressive parameter of a first-order autoregressive sequence with positive innovations via an extreme value estimator ϕ. We show that a bootstrap procedure correctly estimates the sampling distribution of an asymptotically pivotal quantity (whose distribution depends only on the exponent of regular variation of the innovation distribution) based on ϕ, provided that the ratio of the bootstrap sample size m and the original sample size n converges to zero. This result enables us to construct a totally nonparametric confidence interval for the autoregressive parameter. We also consider bootstrapping a normalized version of ϕ with an application toward bias correction. To obtain the bootstrap validity results, we develop a continuous convergence result for certain associated point processes. We also present results of simulation studies and a numerical example.