Adaptive Prediction by Least Squares Predictors in Stochastic Regression Models with Applications to Time Series
随机回归模型中最小二乘预测量的自适应预测及时间序列应用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：摘要明确研究最小二乘预测，并应用于非平稳自回归时间序列和差分次数判断。
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
随机回归模型中最小二乘预测量的自适应预测及时间序列应用
- 研究问题
- 随机回归模型的最小二乘预测量具有怎样的渐近累计成本，相关结果能否用于非平稳自回归序列及平稳化所需差分次数的判断？
- 方法与思路
- 作者分析最小二乘预测量扣除创新误差后的累计平方成本，将结果应用于非平稳自回归序列，并构造判断差分次数的统计量。
- 材料陈述的贡献
- 摘要称，论文研究预测量的渐近表现，给出非平稳自回归应用，并提出用于判断使序列平稳所需差分次数的统计量。
- 阅读关注点
- 应核对随机回归量与误差的条件、累计成本与通常预测误差的区别，以及差分次数统计量的定义和适用的非平稳结构。
- 阅读边界
- 仅依据版本未注明的索引摘要；成本增长率、统计量形式及判别性质未说明，不能据此声称适用于所有非平稳序列或具有有限样本优势。
原文摘要
Herein we consider the asymptotic performance of the least squares predictors $\hat{y}_n$ of the stochastic regression model $y_n = \beta_1 x_{n1} + \cdots + \beta_p x_{np} + \varepsilon_n$. In particular, the accumulated cost function $\sum^n_{k=1} (y_k - \hat{y}_k - \varepsilon_k)^2$ is studied. The results are then applied to nonstationary autoregressive time series. A statistic is also constructed to show how many times one should difference a nonstationary time series in order to obtain a stationary series.