A frequency domain empirical likelihood for short- and long-range dependence
适用于短程与长程依赖的频域经验似然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：摘要直接研究短程与长程依赖时间序列的频谱、周期图和自相关推断。
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
适用于短程与长程依赖的频域经验似然
- 研究问题
- 如何对具有短程或长程依赖的线性时间序列构建经验似然，并为自相关等归一化谱参数提供有效推断？
- 方法与思路
- 作者以周期图和谱估计方程构造频域经验似然，通过傅里叶变换处理依赖，并在谱分布层面开展渐近分析。
- 材料陈述的贡献
- 摘要称得到渐近有效的非参数置信域，并可开展最大经验似然估计、谱矩条件检验及Whittle相关推断。
- 阅读关注点
- 应核对线性过程与长记忆参数限制、谱估计方程条件，以及哪些归一化参数适用、似然比如何进行校准。
- 阅读边界
- 仅据版本未注明的OpenAlex索引摘要；结论针对特定线性过程及谱参数类别，不能推广到任意依赖或参数。
原文摘要
This paper introduces a version of empirical likelihood based on the periodogram and spectral estimating equations. This formulation handles dependent data through a data transformation (i.e., a Fourier transform) and is developed in terms of the spectral distribution rather than a time domain probability distribution. The asymptotic properties of frequency domain empirical likelihood are studied for linear time processes exhibiting both short- and long-range dependence. The method results in likelihood ratios which can be used to build nonparametric, asymptotically correct confidence regions for a class of normalized (or ratio) spectral parameters, including autocorrelations. Maximum empirical likelihood estimators are possible, as well as tests of spectral moment conditions. The methodology can be applied to several inference problems such as Whittle estimation and goodness-of-fit testing.