Moment bounds and mean squared prediction errors of long-memory time series
长记忆时间序列的矩界与均方预测误差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：摘要直接研究长记忆 ARFIMA 时间序列及一步、多步预测误差。
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…
长记忆时间序列的矩界与均方预测误差
- 研究问题
- 未知记忆参数的 ARFIMA 模型中，如何控制条件平方和估计量的矩，并解释多步预测误差与模型复杂度及依赖结构的关系？
- 方法与思路
- 作者建立归一化目标函数倒数的一致矩界，进而推导 CSS 估计量的矩界及一步、多步均方预测误差的渐近表达式。
- 材料陈述的贡献
- 摘要称，所得表达式刻画复杂度与依赖结构的影响；在高积分阶数情形，CSS 预测器相较最小二乘预测器可有明显优势。
- 阅读关注点
- 应核对记忆参数范围、矩界成立条件、预测步长处理及误差展开，并确认与最小二乘预测器比较时的模型和参数设定。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出完整正则条件与误差公式，所述优势不能推广至所有预测场景。
原文摘要
A moment bound for the normalized conditional-sum-of-squares (CSS) estimate of a general autoregressive fractionally integrated moving average (ARFIMA) model with an arbitrary unknown memory parameter is derived in this paper. To achieve this goal, a uniform moment bound for the inverse of the normalized objective function is established. An important application of these results is to establish asymptotic expressions for the one-step and multi-step mean squared prediction errors (MSPE) of the CSS predictor. These asymptotic expressions not only explicitly demonstrate how the multi-step MSPE of the CSS predictor manifests with the model complexity and the dependent structure, but also offer means to compare the performance of the CSS predictor with the least squares (LS) predictor for integrated autoregressive models. It turns out that the CSS predictor can gain substantial advantage over the LS predictor when the integration order is high. Numerical findings are also conducted to illustrate the theoretical results.