Estimation of Long-Range Dependent Models with Missing Data: to Impute or not to Impute?
缺失数据下的长记忆模型估计：插补还是直接估计？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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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 ARFIMA 长记忆时间序列及其依赖参数在缺失数据下的估计。
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…
缺失数据下的长记忆模型估计：插补还是直接估计？
- 研究问题
- ARFIMA 时间序列存在缺失观测时，先插补再估计与直接使用适配缺失数据的方法，分别如何影响长记忆参数 d 的估计？
- 方法与思路
- 作者回顾两类处理路径的现有方法，并开展 Monte Carlo 比较，包含三十五种估计设置、不同依赖程度和多种缺失比例。
- 材料陈述的贡献
- 摘要提供针对缺失数据下长记忆参数估计的系统比较设计，缺失比例覆盖百分之十至七十，但未报告哪种方案总体更优。
- 阅读关注点
- 应核对缺失机制、插补方法与直接估计器的具体组合、ARFIMA 参数设置，以及偏差、误差和不确定性如何被比较。
- 阅读边界
- 这是 arXiv 预印本，不能确认已评审或接收；摘要未披露缺失机制、评价结果或优胜方法，不能据此作普遍插补建议。
原文摘要
Among the most important models for long-range dependent time series is the class of ARFIMA$(p,d,q)$ (Autoregressive Fractionally Integrated Moving Average) models. Estimating the long-range dependence parameter $d$ in ARFIMA models is a well-studied problem, but the literature regarding the estimation of $d$ in the presence of missing data is very sparse. There are two basic approaches to dealing with the problem: missing data can be imputed using some plausible method, and then the estimation can proceed as if no data were missing, or we can use a specially tailored methodology to estimate $d$ in the presence of missing data. In this work, we review some of the methods available for both approaches and compare them through a Monte Carlo simulation study. We present a comparison among 35 different setups to estimate $d$, under tenths of different scenarios, considering percentages of missing data ranging from as few as 10\% up to 70\% and several levels of dependence.