Limit Theory for M -Estimates in an Integrated Infinite Variance
无限方差创新的积分过程中的 M 估计极限理论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：摘要明确研究积分线性时间序列中的自回归参数估计及其极限分布。
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
无限方差创新的积分过程中的 M 估计极限理论
- 研究问题
- 当观测来自具有无限方差创新的积分线性过程时，自回归参数的 M 估计具有怎样的收敛速度与极限分布？
- 方法与思路
- 作者在无限方差创新的积分线性过程框架下研究 M 估计的极限分布，并与最小二乘估计的渐近收敛速度比较。
- 材料陈述的贡献
- 摘要称 M 估计比最小二乘估计具有更快的收敛速度，并具有条件渐近正态性；效率表述明确采用收敛速度意义。
- 阅读关注点
- 应核对创新的尾部与依赖条件、M 估计目标函数、具体归一化速度，以及条件渐近正态所依赖的条件信息。
- 阅读边界
- 仅据所给 Crossref 摘要；具体速度、损失函数与适用条件未说明，更快收敛不能直接推出有限样本误差更小。
原文摘要
We consider the limiting distributions of M -estimates of an “autoregressive” parameter when the observations come from an integrated linear process with infinite variance innovations. It is shown that M -estimates are, asymptotically, infinitely more efficient than the least-squares estimator (in the sense that they have a faster rate of convergence) and are conditionally asymptotically normal.