Regression Designs in Autoregressive Stochastic Processes
自回归随机过程中的回归实验设计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：摘要明确研究自回归随机过程中的回归与观测设计，对应时间序列方法方向。
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
自回归随机过程中的回归实验设计
- 研究问题
- 当回归误差为高阶自回归过程，且可观测响应及其若干阶导数时，如何选择观测点以有效估计回归系数？
- 方法与思路
- 在回归函数和误差协方差核已知的设定下，作者构造观测点序列，利用响应及其前若干阶导数估计单个系数。
- 材料陈述的贡献
- 摘要称，在某些条件下可得到估计回归系数的渐近最优实验设计序列，并扩展已有随机过程回归设计结果。
- 阅读关注点
- 阅读全文时应核对渐近最优性的评价准则、观测点构造、导数观测要求，以及已知协方差核这一设定的作用。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要未列出所称条件，也未讨论协方差未知或导数无法观测时的结果。
原文摘要
This paper extends some recent results on asymptotically optimal sequences of experimental designs for regression problems in stochastic processes. In the regression model $Y(t) = \beta f(t) + X(t), 0 \leqq t \leqq 1$, the constant $\beta$ is to be estimated based on observations of $Y(t)$ and its first $m - 1$ derivatives at each of a set $T_n$ of $n$ distinct points. The function $f$ is assumed known as is the covariance kernel of $X(t)$, a zero-mean $m$th order autoregressive process. Under certain conditions, we derive a sequence $\{T_n\}$ of experimental designs which are asymptotically optimal for estimating $\beta$.