TAIL INDEX OF AN AR(1) MODEL WITH ARCH(1) ERRORS
具有 ARCH(1) 误差的 AR(1) 模型的尾指数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 AR(1) 与 ARCH(1) 误差构成的时间序列模型及其尾指数推断，支持时间序列分类。
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…
具有 ARCH(1) 误差的 AR(1) 模型的尾指数
- 研究问题
- 对于带异方差误差的自回归时间序列，如何估计影响样本自相关与极值行为的尾指数，并构造可靠的置信区间？
- 方法与思路
- 作者以准极大似然估计替换未知参数，求解样本矩方程估计尾指数，推导渐近正态性并提出剖面经验似然区间。
- 材料陈述的贡献
- 摘要称建立了尾指数估计量的渐近正态性；模拟中，经验似然区间的覆盖准确性优于自助法，近非平稳时尤为明显。
- 阅读关注点
- 应核对尾指数矩方程的可解性、准极大似然估计的条件，以及近非平稳情形下理论与模拟的具体适用范围。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断所需矩条件、尾指数范围及覆盖改善幅度，也不能推断其对其他模型的表现。
原文摘要
Relevant sample quantities such as the sample autocorrelation function and extremes contain useful information about autoregressive time series with heteroskedastic errors. As these quantities usually depend on the tail index of the underlying heteroskedastic time series, estimating the tail index becomes an important task. Since the tail index of such a model is determined by a moment equation, one can estimate the underlying tail index by solving the sample moment equation with the unknown parameters being replaced by their quasi-maximum likelihood estimates. To construct a confidence interval for the tail index, one needs to estimate the complicated asymptotic variance of the tail index estimator, however. In this paper the asymptotic normality of the tail index estimator is first derived, and a profile empirical likelihood method to construct a confidence interval for the tail index is then proposed. A simulation study shows that the proposed empirical likelihood method works better than the bootstrap method in terms of coverage accuracy, especially when the process is nearly nonstationary.