Parameter Identification and Inference in Discretely Sampled or Temporally Aggregated Autoregressions
离散抽样或时间聚合自回归模型的参数识别与推断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。
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 AR 过程的离散抽样、时间聚合、ARMA 表示与动态参数识别，属于时间序列方法方向。
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
离散抽样或时间聚合自回归模型的参数识别与推断
- 研究问题
- 当自回归过程每隔若干期才观测一次，或仅观测区间总量时，原始动态参数还能否识别，低频观测如何影响估计精度？
- 方法与思路
- 作者刻画可观测过程的 ARMA 表示，推导一般滞后阶数与抽样频率下的识别集合，并提供枚举候选点和判断集合成员的算法。
- 材料陈述的贡献
- 摘要称给出识别集合及基数界，并对点识别规律提出猜想，在部分情形证明、更多情形数值验证；估计精度未必随抽样间隔下降。
- 阅读关注点
- 应核对哪些识别结论已证明、哪些仍属猜想，以及参数约束、存量与流量观测差异和固定样本量精度比较的设定。
- 阅读边界
- 所给版本为预印本，不能据此确认同行评审或期刊接收；一般点识别规律仍含猜想，摘要未说明完整假设及证明范围。
原文摘要
I consider an AR($p$) process that is observed every $q$ periods, either as a snapshot (stock variable) or as a sum over the sampling interval (flow variable). I first characterize the resulting ARMA process followed by observables. Under fairly mild assumptions, I then derive the identified set for general lag lengths $p \in \mathbb{N}$ and sampling frequencies $q \in \mathbb{N}$, I bound its cardinality, and I provide an algorithm to compute all candidate points and determine their membership in the identified set. My exact but implicit characterization supports the following conjecture that I prove in some settings and verify numerically more broadly: (i) the error term-variance is point-identified, (ii) under temporal aggregation, the autoregressive parameters are point-identified, and (iii) under discrete sampling they are point-identified for odd $q$ and identified up to alternating sign for even $q$. My analysis supplements existing inference results that show consistency and asymptotic Normality of the Gaussian Maximum Likelihood estimator conditional on point-identification. Holding the number of observations fixed, I show that its precision does not necessarily decrease with $q$.