Bias Correction of Long-memory Estimator of Functional Time Series via the Prefiltered Sieve Bootstrap
通过预过滤筛式自助法校正函数型时间序列长记忆估计偏差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：摘要明确围绕分数积分时间序列的长记忆参数、短程依赖及自助法偏差校正展开，直接对应时间序列方向。
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
通过预过滤筛式自助法校正函数型时间序列长记忆估计偏差
- 研究问题
- 平稳或非平稳分数积分过程的长记忆参数估计存在偏差，尤其短程自回归依赖较强时，如何改善估计并构造区间？
- 方法与思路
- 作者用初步长记忆估计预过滤数据，再实施筛式自助法；推荐带噪声的局部多项式 Whittle 估计作为初始估计量。
- 材料陈述的贡献
- 摘要通过模拟展示常用估计的偏差问题，并称预过滤筛式自助法可能进一步降低初始估计偏差，同时提供置信区间。
- 阅读关注点
- 应核对函数型数据如何进入分数积分模型、预过滤及筛阶选择，以及非平稳情形和强短程依赖下的区间有效性。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未经核实；摘要未交代函数型处理细节、理论保证和覆盖结果，改善仅有模拟概述。
原文摘要
We investigate a bias correction procedure based on sieve bootstrapping to estimate the long-memory parameter d in stationary or nonstationary fractionally integrated processes. The resampling method implements a sieve bootstrap method on data prefiltered by a preliminary estimate of the long-memory parameter. For the initial estimate, we recommend the local polynomial Whittle with noise (LPWN) estimator in Frederiksen et al. (2012) to reduce bias, especially in the presence of a strong short-range autoregressive dependence. Through a series of simulation studies, we first highlight the issue of bias, using the local Whittle or detrended fluctuation analysis estimator. Then, we consider the LPWN estimator and show the potential improvement in bias achieved by its sieve bootstrap enhancement. As a byproduct, the sieve bootstrap can also provide confidence intervals of the memory parameter.