Weakly Adaptive Estimators in Explosive Autoregression
爆炸性自回归中的弱自适应估计量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：摘要明确研究爆炸性自回归模型及其估计极限，直接属于时间序列估计理论。
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
爆炸性自回归中的弱自适应估计量
- 研究问题
- 在自回归系数绝对值大于一、误差密度未知的爆炸性模型中，能否构造与已知密度情形具有相同弱极限的估计量？
- 方法与思路
- 作者分析统计试验的 Le Cam 弱极限及 Pitman 型估计量，在已知和未知误差密度两种情形下研究估计量的极限行为。
- 材料陈述的贡献
- 摘要称，极限试验通常既非 LAN 也非 LAMN；未知密度下可构造同极限的弱自适应估计量，部分允许的密度无有限 Fisher 信息。
- 阅读关注点
- 应核对试验弱收敛的充分条件、加权平方损失与极小极大性的定义，以及未知误差密度下的构造和弱自适应含义。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，无法确定完整密度条件和实现步骤；弱自适应不能直接等同于常规渐近正态或效率结论。
原文摘要
Consider the model $X_i = \rho X_{i - 1} + \varepsilon_i, |\rho| > 1$, where $X_0, \varepsilon_1, \varepsilon_2, \cdots$ are independent random variables with $\varepsilon_1, \varepsilon_2, \cdots$ having common density $\psi$. This paper gives sufficient conditions under which the sequence of experiments induced by $\{X_0, X_1, \cdots, X_n\}$ has a weak limit in the sense of Le Cam. In general, the limiting experiment is translation invariant and neither LAN nor LAMN. The paper further shows that the sequence of Pitman-type estimators of $\rho$ at a given $\psi$ converges weakly to $T$, where $T$ is minimax for the limiting experiment under a weighted squared error loss function. Finally, for an unknown $\psi$, a sequence of Pitman-type estimators that converges weakly to $T$ is constructed. These estimators are called weakly adaptive. The class of error densities for which these results hold include some that may not have finite Fisher information.