Efficient prediction for linear and nonlinear autoregressive models
线性与非线性自回归模型的有效预测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：摘要直接研究平稳自回归序列及基于过去观测的条件预测，因此对应时间序列与预测方向。
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…
线性与非线性自回归模型的有效预测
- 研究问题
- 对于由独立创新驱动的平稳自回归序列，如何更有效地估计给定过去观测的条件期望、条件分布与条件分位数？
- 方法与思路
- 作者使用残差的平滑加权 von Mises 统计量估计条件期望，并以相应残差过程的一致随机展开支持渐近分析。
- 材料陈述的贡献
- 摘要称该方法达到参数收敛速度并具有渐近有效性，且具体讨论了条件分布函数和条件分位数函数的估计。
- 阅读关注点
- 应核对独立创新与平稳性条件、平滑和加权的构造、残差估计误差的处理，以及有效性对应的模型与目标。
- 阅读边界
- 仅据版本未注明的索引摘要，不能确定带宽条件、预测期限或有限样本优势；渐近有效性也不能直接推广到其他依赖结构。
原文摘要
Conditional expectations given past observations in stationary time series are usually estimated directly by kernel estimators, or by plugging in kernel estimators for transition densities. We show that, for linear and nonlinear autoregressive models driven by independent innovations, appropriate smoothed and weighted von Mises statistics of residuals estimate conditional expectations at better parametric rates and are asymptotically efficient. The proof is based on a uniform stochastic expansion for smoothed and weighted von Mises processes of residuals. We consider, in particular, estimation of conditional distribution functions and of conditional quantile functions.