INFERENCE ON COMMON TRENDS IN FUNCTIONAL TIME SERIES
函数型时间序列共同趋势的统计推断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：摘要明确涉及单位根、协整和共同趋势，并列出非平稳高维及动态函数型因子模型的应用。
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…
函数型时间序列共同趋势的统计推断
- 研究问题
- 对于取值于 Hilbert 空间、有效维度可能未知的时间序列，如何推断共同随机趋势的数量，并检验平稳和非平稳子空间？
- 方法与思路
- 作者以非平稳子空间的维度表征共同趋势数，构建单位根、协整及子空间假设的推断方法，并允许任意大或未知的空间维度。
- 材料陈述的贡献
- 摘要称方法在序列位于未知维度子空间时仍具渐近有效性，可用于高维协整、曲线型序列和含非平稳因子的模型。
- 阅读关注点
- 应核对共同趋势与子空间的定义、有限和无限维情形的条件、维度选择及检验统计量，以及非平稳因子数量受到的限制。
- 阅读边界
- 仅据所给 Crossref 版本摘要，检验构造、维度选择方法和两个实证例子的结果未说明；不能推断所有函数型过程适用或刊本变化。
原文摘要
We study statistical inference on unit roots and cointegration for time series in a Hilbert space. We develop statistical inference on the number of common stochastic trends embedded in the time series, that is, the dimension of the nonstationary subspace. We also consider tests of hypotheses on the nonstationary and stationary subspaces themselves. The Hilbert space can be of an arbitrarily large dimension, and our methods remain asymptotically valid even when the time series of interest takes values in a subspace of possibly unknown dimension. This has wide applicability in practice; for example, to cointegrated vector time series that are either high-dimensional or of finite dimension, to high-dimensional factor models that include a finite number of nonstationary factors, to cointegrated curve-valued (or function-valued) time series, and to nonstationary dynamic functional factor models. To illustrate our methods, we include two empirical examples.