Functional quantile autoregression
函数型分位数自回归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：摘要明确提出传统时间序列的分位数自回归模型，核心是条件分布随时间演化。
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…
函数型分位数自回归
- 研究问题
- 对于传统时间序列观测，如何让当前条件分布依赖过去的分布信息，而非仅依赖过去观测值，从而刻画分布层面的动态？
- 方法与思路
- 作者提出函数型分位数自回归，将当前条件分布表示为过去条件分位数函数的泛函，并采用筛估计研究模型。
- 材料陈述的贡献
- 摘要称，方法在传统时间序列数据上建模函数动态，提出相应筛估计量并推导其渐近性质，同时通过数值研究展示方法。
- 阅读关注点
- 应核对分位数函数之间的动态映射、条件分布有效性的约束、筛空间与复杂度选择，以及估计量渐近性质所需的依赖条件。
- 阅读边界
- 仅依据所给 RePEc 出版社摘要；具体模型形式、渐近结论和数值结果未说明，不能判断其预测优势或对特定序列的适用性。
原文摘要
This paper proposes a new class of time series models, the functional quantile autoregression (FQAR) models, in which the conditional distribution of the observation at the current time point is affected by its past distributional information, and is expressed as a functional of the past conditional quantile functions. Different from the conventional functional time series models which are based on functionally observed data, the proposed FQAR method studies functional dynamics in traditional time series data. We propose a sieve estimator for the model. Asymptotic properties of the estimators are derived. Numerical investigations are conducted to highlight the proposed method.