The Estimation of Continuous Parameter Long-Memory Time Series Models
连续时间长记忆时间序列模型的估计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：摘要直接研究长记忆时间序列、连续时间分数阶 ARIMA 模型和频域估计。
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
连续时间长记忆时间序列模型的估计
- 研究问题
- 如何为长记忆序列建立连续时间模型，并在离散观测为存量或流量时，估计共同关注的长记忆参数？
- 方法与思路
- 作者构造单变量连续时间分数阶 ARIMA 模型，分别推导点观测与积分观测的谱密度，并提出频域最大似然估计。
- 材料陈述的贡献
- 摘要称，该方法对长记忆参数的估计具有一致性和渐近正态性，并讨论离散观测谱密度计算中的若干问题。
- 阅读关注点
- 应核对模型定义、存量与流量采样对应的谱密度、渐近结论所需条件，以及谱密度计算如何影响估计实现。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断参数范围、采样条件和有限样本表现；具体证明与其他版本变化均未说明。
原文摘要
A class of univariate fractional ARIMA models with a continuous time parameter is developed for the purpose of modeling long-memory time series. The spectral density of discretely observed data is derived for both point observations (stock variables) and integral observations (flow variables). A frequency domain maximum likelihood method is proposed for estimating the longmemory parameter and is shown to be consistent and asymptotically normally distributed, and some issues associated with the computation of the spectral density are explored.