Saddlepoint approximations for short and long memory time series: A frequency domain approach
短记忆与长记忆时间序列的鞍点近似：频域方法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：摘要明确研究平稳时间序列、长短记忆、频域统计量与 Whittle 估计，直接对应时间序列方法，未限定宏观应用。
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
短记忆与长记忆时间序列的鞍点近似：频域方法
- 研究问题
- 对于具有短程或长程相关的平稳时间序列，如何更准确地近似频域估计量和检验统计量的小样本分布？
- 方法与思路
- 作者针对高斯与非高斯过程，推导并实现比率统计量和 Whittle 估计量的鞍点近似，与标准渐近近似及两种自助法比较。
- 材料陈述的贡献
- 摘要称该方法补充了平稳时间序列中鞍点近似的可用范围，Whittle 估计的数值实验显示精度改善，同时保留解析可处理性。
- 阅读关注点
- 应核对不同记忆类型下的适用条件、非高斯情形的处理、近似误差的评价方式，以及与两种自助法比较的计算成本。
- 阅读边界
- 仅据所给出版社摘要，无法判断精度改善是否覆盖全部统计量和过程；具体误差界、模拟参数及真实数据应用内容未说明。
原文摘要
Saddlepoint techniques provide numerically accurate, small sample approximations to the distribution of estimators and test statistics. Except for a few simple models, these approximations are not available in the framework of stationary time series. We contribute to fill this gap. Under short or long range serial dependence, for Gaussian and non Gaussian processes, we show how to derive and implement saddlepoint approximations for two relevant classes of frequency domain statistics: ratio statistics and Whittle’s estimator. We compare our new approximations to the ones obtained by the standard asymptotic theory and by two widely-applied bootstrap methods. The numerical exercises for Whittle’s estimator show that our approximations yield accuracy’s improvements, while preserving analytical tractability. A real data example concludes the paper.