Tail probability approximations in the first-order noncircular autoregression
一阶非循环自回归中的尾概率近似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：题名和摘要明确研究一阶自回归模型及其系数估计量的分布近似，直接对应时间序列方法。
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
一阶非循环自回归中的尾概率近似
- 研究问题
- 在一阶非循环自回归模型中，如何近似自回归系数最小二乘估计量的分布，尤其提高极端尾部和很小样本下的近似表现？
- 方法与思路
- 作者为自回归系数最小二乘估计量的累积分布函数推导鞍点展开，并从解析和数值两方面与多种既有近似进行比较。
- 材料陈述的贡献
- 摘要称，新近似在整个分布范围内、包括极端尾部均表现良好，即使样本量为10也如此；相对优势来自摘要所述比较。
- 阅读关注点
- 应核对创新分布、初始值处理、自回归参数范围、鞍点展开的误差控制，以及尾部比较采用的指标和既有方法范围。
- 阅读边界
- 所给材料为OpenAlex索引摘要，稿件版本未注明；模型条件和具体误差未说明，摘要中的优越性不能推广到所有自回归设定。
原文摘要
A saddlepoint expansion is derived for the cumulative distribution function of the least squares estimator of the autoregressive coefficient. The new method is shown to be superior both analytically and numerically to many existing approximations. Unlike other methods the new approximation performs uniformly well over the whole range of the distribution including the extreme tail, even when the sample size is as small as 10.