Consistent order selection for ARFIMA processes
ARFIMA 过程的一致阶数选择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 ARFIMA 时间序列的记忆参数与模型阶数选择，直接对应时间序列方向。
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…
ARFIMA 过程的一致阶数选择
- 研究问题
- 如何一致地选择 ARFIMA 模型的自回归与移动平均阶数，并使结论覆盖短记忆、长记忆、非平稳及条件异方差情形？
- 方法与思路
- 作者先在独立误差的 ARFIMA 模型中建立 BIC 阶数选择一致性，再扩展至条件异方差误差，并用数值例子说明。
- 材料陈述的贡献
- 摘要称，记忆参数可取任意实数的理论覆盖多类时间序列，条件异方差扩展进一步拓宽了 BIC 一致性结果的应用范围。
- 阅读关注点
- 应核对候选阶数集合、记忆参数估计与初始化方式，以及独立和条件异方差误差各自需要的正则条件。
- 阅读边界
- 仅依据版本未注明的 OpenAlex 索引摘要；摘要未列出完整条件或有限样本结果，不能把一致性解释为所有样本下均正确选阶。
原文摘要
Estimating the orders of the autoregressive fractionally integrated moving average (ARFIMA) model has been a long-standing problem in time series analysis. This paper tackles this challenge by establishing the consistency of the Bayesian information criterion (BIC) for ARFIMA models with independent errors. Since the memory parameter of the model can be any real number, this consistency result is valid for short memory, long memory and nonstationary time series. This paper further extends the consistency of the BIC to ARFIMA models with conditional heteroscedastic errors, thereby extending its applications to encompass many real-life situations. Finite-sample implications of the theoretical results are illustrated via numerical examples.