Gaussian pseudo-maximum likelihood estimation of fractional time series models
分数阶时间序列模型的高斯伪极大似然估计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：摘要明确研究分数阶时间序列、记忆参数及平稳性与可逆性问题。
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
分数阶时间序列模型的高斯伪极大似然估计
- 研究问题
- 当分数阶时间序列的记忆参数未知，且无法预先确定其处于平稳、非平稳或不可逆区域时，如何建立参数估计理论？
- 方法与思路
- 作者处理较大参数空间中目标函数非一致收敛的问题，分析单变量条件平方和估计及基于根 n 一致初值的多变量一步估计。
- 材料陈述的贡献
- 摘要称无需高斯误差即可建立一般单变量模型的一致性与渐近正态性，并获得多变量一步估计量的渐近正态性。
- 阅读关注点
- 应核对参数空间跨区域时的处理、初始值与误差条件，以及多变量初始估计如何实现根 n 一致和后续一步更新。
- 阅读边界
- 以下限制对应原请求所用摘要版本：这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未给出模型与误差的完整条件，非高斯情形下的效率也未说明。 经AI辅助核对旧与当前摘要内容等价；未另读刊稿全文，不能据此证明整个稿件版本等价。
原文摘要
We consider the estimation of parametric fractional time series models in which not only is the memory parameter unknown, but one may not know whether it lies in the stationary/invertible region or the nonstationary or noninvertible regions. In these circumstances, a proof of consistency (which is a prerequisite for proving asymptotic normality) can be difficult owing to nonuniform convergence of the objective function over a large admissible parameter space. In particular, this is the case for the conditional sum of squares estimate, which can be expected to be asymptotically efficient under Gaussianity. Without the latter assumption, we establish consistency and asymptotic normality for this estimate in case of a quite general univariate model. For a multivariate model, we establish asymptotic normality of a one-step estimate based on an initial √n-consistent estimate.