The Cramér-Rao bound and robust M -estimates for autoregressions
自回归模型的 Cramér–Rao 下界与稳健 M 估计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：摘要直接研究高阶自回归模型中的参数估计、效率下界和稳健性，属于时间序列方法。
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
自回归模型的 Cramér–Rao 下界与稳健 M 估计
- 研究问题
- 有限方差自回归模型中的位置、创新尺度和自回归参数估计，对厚尾创新分布的效率敏感性如何，稳健估计能否改善？
- 方法与思路
- 作者计算有限方差高阶自回归的 Cramér–Rao 下界，并研究 Huber 回归 M 估计的自回归对应形式及位置估计的稳健性。
- 材料陈述的贡献
- 摘要称常规最小二乘估计对厚尾创新缺乏效率稳健性，而所研究 M 估计具有效率稳健性，位置估计还具极小极大稳健性。
- 阅读关注点
- 应核对创新分布类、效率稳健性与极小极大稳健性的定义，以及位置由截距和自回归参数恢复的方式与渐近条件。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 摘要；分布类、调节参数及有限样本表现未说明，也不能把结论直接扩展到无限方差创新。
原文摘要
A Cramér-Rao lower bound is computed for estimates of the location, innovations scale and autoregressive parameters for a finite-variance pth-order autoregression. The implication of the bound is that the usual least-squares estimates of all of these parameters have asymptotically the same lack of efficieney robustness toward heavy-tailed innovations distributions as does the sample mean for estimating location. On the other hand, autoregression analogues of Huber's regression M-estimates, with the location estimate obtained from the intercept and autoregressive parameter estimates, are shown to be efficiency robust. The location estimate is also shown to be minimax robust.