Trend estimation for time series with polynomial-tailed noise
多项式尾部噪声下的时间序列趋势估计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：摘要明确研究时间序列的非参数趋势与重尾噪声处理，方法对应时间序列方向，但未说明具体宏观经济应用。
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…
关注这篇论文的作者
多项式尾部噪声下的时间序列趋势估计
- 研究问题
- 对于在固定且可能不等距时点观测的时间序列，如何在噪声尾部较重、仅有低阶矩条件时非参数地估计趋势函数？
- 方法与思路
- 作者在趋势函数总变差有界的条件下，使用适配非二次幂样本规模的 Haar 型基，并构造针对多项式尾部噪声的阈值规则。
- 材料陈述的贡献
- 摘要所述贡献是先在抽象稀疏信号问题中推导阈值方案，再将其用于非等距时间序列的非线性小波趋势估计。
- 阅读关注点
- 应核对观测时点的设计条件、误差所需的矩与依赖条件，以及阈值选择如何影响趋势估计的误差界与实际表现。
- 阅读边界
- 这是 arXiv 预印本摘要，不能据此认定同行评审或期刊接收；摘要未给出具体矩阶数、收敛率及经验比较结果。
原文摘要
For time series data observed at non-random and possibly non-equidistant time points, we estimate the trend function nonparametrically. Under the assumption of a bounded total variation of the function and low-order moment conditions on the errors we propose a nonlinear wavelet estimator which uses a Haar-type basis adapted to a possibly non-dyadic sample size. An appropriate thresholding scheme for sparse signals with an additive polynomial-tailed noise is first derived in an abstract framework and then applied to the problem of trend estimation.