GARTFIMA Process and its Empirical Spectral Density Based Estimation
GARTFIMA 过程及基于经验谱密度的估计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。
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：摘要直接研究时间序列过程、谱密度、自协方差及参数估计，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…
关注这篇论文的作者
GARTFIMA 过程及基于经验谱密度的估计
- 研究问题
- 如何构建 Gegenbauer 自回归温和分数积分移动平均过程，并利用谱信息估计其参数、评价模拟和真实数据表现？
- 方法与思路
- 作者引入 GARTFIMA 过程，研究谱密度与自协方差函数，采用基于经验谱密度的非线性最小二乘及 Whittle 似然估计。
- 材料陈述的贡献
- 摘要称给出新过程及其谱与协方差分析，通过模拟评价两种估计方法，并报告真实数据建模表现优于若干其他时间序列模型。
- 阅读关注点
- 应核对过程存在与平稳性的条件、谱密度参数的可识别性，以及模拟设定、实际数据和比较模型如何支持建模表现的陈述。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未说明具体参数条件、真实数据对象及比较结果数值。
原文摘要
In this article, we introduce a Gegenbauer autoregressive tempered fractionally integrated moving average (GARTFIMA) process. We work on the spectral density and autocovariance function for the introduced process. The parameter estimation is done using the empirical spectral density with the help of the nonlinear least square technique and the Whittle likelihood estimation technique. The performance of the proposed estimation techniques is assessed on simulated data. Further, the introduced process is shown to better model the real-world data in comparison to other time series models.