The Stein–James estimator for short- and long-memory Gaussian processes
短记忆与长记忆高斯过程的 Stein–James 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：摘要明确分析平稳高斯向量过程、长短记忆及时间序列回归。
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
短记忆与长记忆高斯过程的 Stein–James 估计量
- 研究问题
- 维数大于二的平稳高斯向量过程存在时间依赖时，均值收缩估计何时能在均方误差上优于样本均值？
- 方法与思路
- 作者分别分析短记忆与长记忆过程的均方误差，以原点附近的谱密度矩阵给出改进的充分条件，并提供数值示例。
- 材料陈述的贡献
- 摘要称，论文刻画依赖样本中的 Stein–James 现象并给出改进条件；对时间序列回归趋势估计的作用仅表述为潜力。
- 阅读关注点
- 应核对收缩形式、谱密度与记忆结构条件、均方误差比较的参数范围，以及均值结果能否用于所提趋势估计问题。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未列出充分条件或数值结果，不能断言所有依赖过程均受益于收缩。
原文摘要
We investigate the mean squared error of the Stein–James estimator for the mean when the observations are generated from a Gaussian vector stationary process with dimension greater than two. First, assuming that the process is short-memory, we evaluate the mean squared error, and compare it with that for the sample mean. Then a sufficient condition for the Stein–James estimator to improve upon the sample mean is given in terms of the spectral density matrix around the origin. We repeat the analysis for Gaussian vector long-memory processes. Numerical examples clearly illuminate the Stein–James phenomenon for dependent samples. The results have the potential to improve the usual trend estimator in time series regression models.