Data-Driven Efficient Estimation of the Spectral Density
谱密度的数据驱动有效估计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：摘要以自协方差、ARMA 过程和谱密度估计为核心，直接属于时间序列方法。
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
谱密度的数据驱动有效估计
- 研究问题
- 对于自协方差按指数衰减的过程，如何自动选择非参数谱密度估计方式，并达到渐近均方积分误差的效率界限？
- 方法与思路
- 作者针对受因果 ARMA 过程启发的一类过程构造数据驱动估计量，并以小样本模拟和胰岛素分泌数据说明应用。
- 材料陈述的贡献
- 摘要称，估计量的均方积分误差达到最优极小极大常数与速率，且方法无需人工监督，具有简单可靠的特点。
- 阅读关注点
- 应核对过程类和效率比较基准的精确定义、自动调节规则，以及小样本模拟是否覆盖接近适用边界的过程。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体过程条件、常数与小样本结果未提供，不能把效率结论推广到任意时间序列。
原文摘要
A nonparametric data-driven spectral density estimator is suggested for a class of processes with the exponentially decaying autocovariance function. This particular class is motivated by causal ARMA processes. The estimator is asymptotically efficient; that is, its mean integrated squared error converges with optimal minimax constant and rate as the sample size increases. The article also presents a Monte Carlo study of the estimator for the case of small sample sizes and an illustrative example of its application in the spectral domain analysis of insulin secretion data. The estimator is both simple and reliable, and does not require human supervision; thus it can be recommended to a practitioner with little or even no experience in spectral analysis of time series.