The Tapering Estimation of the First-Order Autoregressive Parameters
一阶自回归参数的渐消加权估计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：摘要直接研究一阶自回归参数估计及其有限样本偏差，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
一阶自回归参数的渐消加权估计
- 研究问题
- 一阶自回归参数的最小二乘或最大似然估计在中等样本中仍有较大偏差时，能否通过时域加权降低偏差？
- 方法与思路
- 作者开发一种渐消加权估计技术，并用蒙特卡洛实验比较其偏差表现，考察不同样本规模下自回归参数估计的变化。
- 材料陈述的贡献
- 摘要称在自回归参数为正且不十分接近一时，时域渐消加权估计可在较广的样本规模范围内显著降低偏差。
- 阅读关注点
- 应核对渐消权重的具体形式、参数与样本规模设定，以及偏差下降是否伴随方差变化，特别关注接近单位根的情形。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 摘要；负参数、近单位根情形及均方误差表现未说明，不能扩大所述优势范围。
原文摘要
In the estimation of autoregressive parameters, biases from ordinary least-squares or maximum likelihood estimator are big even for moderately large sample sizes. A new tapering estimation technique is developed to reduce the bias. Monte Carlo experiments show that the tapering estimation in the time domain yields a substantial reduction in the bias when autoregressive parameters are positive and not very near unity, over a wide range of sample sizes.