Statistical analysis of discretely sampled semilinear SPDEs: a power variation approach
离散采样半线性随机偏微分方程的统计分析：幂变差方法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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要属于随机过程及随机偏微分方程统计理论，未提供所列经济或金融细分的直接依据。
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…
离散采样半线性随机偏微分方程的统计分析：幂变差方法
- 研究问题
- 如何利用离散采样数据估计半线性随机偏微分方程的漂移与波动系数，并处理有限差分近似导数造成的估计偏差？
- 方法与思路
- 作者引入 Δ-幂变差，结合 Hölder–Zygmund 范数建立高阶有限差分的中心极限定理，再用于一维半线性方程参数估计。
- 材料陈述的贡献
- 摘要称获得分数布朗运动迭代积分的新中心极限定理，给出朴素差分估计的非平凡偏差公式，并推导估计量的收敛率。
- 阅读关注点
- 应核对过程路径的正则性、离散采样方案、时间白噪声与空间相关噪声的设定，以及偏差公式是否可用于实际校正。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验；摘要未列出完整定理条件，波动系数的研究也未指定金融应用。
原文摘要
Motivated by problems from statistical analysis for discretely sampled SPDEs, first we derive central limit theorems for higher order finite differences applied to stochastic process with arbitrary finitely regular paths. These results are proved by using the notion of $Δ$-power variations, introduced herein, along with the Hölder-Zygmund norms. Consequently, we prove a new central limit theorem for $Δ$-power variations of the iterated integrals of a fractional Brownian motion (fBm). These abstract results, besides being of independent interest, in the second part of the paper are applied to estimation of the drift and volatility coefficients of semilinear stochastic partial differential equations in dimension one, driven by an additive Gaussian noise white in time and possibly colored in space. In particular, we solve the earlier conjecture from Cialenco, Kim, Lototsky (2019) about existence of a nontrivial bias in the estimators derived by naive approximations of derivatives by finite differences. We give an explicit formula for the bias and derive the convergence rates of the corresponding estimators. Theoretical results are illustrated by numerical examples.