NON-GAUSSIAN LOG-PERIODOGRAM REGRESSION
非高斯对数周期图回归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：摘要明确研究长记忆时间序列及其周期图估计，属于时间序列方向。
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
非高斯对数周期图回归
- 研究问题
- 对于不必服从高斯分布的长记忆线性时间序列，汇合周期图频点或采用加窗周期图后，记忆参数估计是否一致且具有什么渐近分布？
- 方法与思路
- 作者利用线性创新周期图向量的高阶渐近性质，分别分析频点汇合与加窗周期图下的估计，并用 Monte Carlo 模拟考察有限样本表现。
- 材料陈述的贡献
- 摘要称，频点汇合可得到长记忆参数估计的一致性，采用加窗周期图时还可推导允许非高斯观测的估计量渐近分布。
- 阅读关注点
- 阅读全文时应核对创新分布和矩条件、频点汇合规则、窗函数及低频范围，并检查这些选择如何影响渐近分布与模拟表现。
- 阅读边界
- 仅据所给 Crossref 摘要，无法确定带宽与加窗条件、极限方差或模拟结果；允许非高斯分布不表示适用于任意非高斯过程。
原文摘要
We show the consistency of the log-periodogram regression estimate of the long memory parameter for long range dependent linear, not necessarily Gaussian, time series when we make a pooling of periodogram ordinates. Then, we study the asymptotic behavior of the tapered periodogram of long range dependent time series for frequencies near the origin, and we obtain the asymptotic distribution of the log-periodogram estimate for possibly non-Gaussian observation when the tapered periodogram is used. For these results we rely on higher order asymptotic properties of a vector of periodogram ordinates of the linear innovations. Finally, we assess the validity of the asymptotic results for finite samples via Monte Carlo simulation.