Mildly explosive autoregression under weak and strong dependence
弱依赖与强依赖下的温和爆炸性自回归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：摘要明确研究温和爆炸性自回归及弱依赖、长程依赖创新的时间序列极限理论。
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
弱依赖与强依赖下的温和爆炸性自回归
- 研究问题
- 在温和爆炸性自回归中，创新误差的短记忆或长程依赖如何改变样本矩的极限，而这些变化是否会传递至最小二乘估计？
- 方法与思路
- 作者分别分析弱依赖与强依赖创新下的样本矩极限及收敛率，再研究样本矩在最小二乘回归中的相互作用与抵消。
- 材料陈述的贡献
- 摘要称误差记忆会改变样本矩的极限分布，长程依赖还影响收敛率；但相关影响在最小二乘中抵消，使所述柯西回归极限保持不变。
- 阅读关注点
- 应核对温和爆炸参数的增长速度、弱与强依赖的定义、创新条件，以及样本矩抵消如何导出最小二乘的柯西极限。
- 阅读边界
- 仅据所给出版社摘要，无法确定依赖不变性涵盖的完整过程范围，也不能推断任意爆炸速度、误差分布或有限样本情形均有相同结论。
原文摘要
A limit theory is developed for mildly explosive autoregression under both weakly and strongly dependent innovation errors. The asymptotic behaviour of the sample moments is affected by the memory of the innovation process both in the form of the limiting distribution and, in the case of long range dependence, in the rate of convergence. However, this effect is not present in least squares regression theory as it is cancelled out by the interaction between the sample moments. As a result, the Cauchy regression theory of Phillips and Magdalinos (2007a) is invariant to the dependence structure of the innovation sequence.