Sieve Extremum Estimates for Weakly Dependent Data
弱依赖数据下的筛极值估计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：摘要明确以非参数和半参数时间序列估计为对象，并列出ARX及多种自回归模型应用，因此归入时间序列方向。
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
弱依赖数据下的筛极值估计
- 研究问题
- 对具有弱依赖的时间序列，非参数或半参数筛极值估计以何种速度收敛，其平滑泛函的代入估计何时具有√n渐近正态性？
- 方法与思路
- 作者在平稳且绝对正则混合的观测下研究筛极值估计，并以神经网络、样条和小波等筛方法处理非参数ARX回归模型。
- 材料陈述的贡献
- 摘要称给出了筛极值估计的收敛速度及平滑泛函代入估计的√n渐近正态性，并将结果用于部分线性加性与单调变换自回归模型。
- 阅读关注点
- 核对混合条件、筛空间复杂度与逼近误差的要求，辨清整体函数估计速率与平滑泛函√n结果，并检查各应用模型的附加条件。
- 阅读边界
- 摘要的理论范围是平稳、绝对正则混合数据，不能直接推广到任意弱依赖或非平稳序列；具体速率及调参条件摘要未说明。
原文摘要
Many non/semiparametric time series estimates may be regarded as different forms of sieve extremum estimates. For stationary absolute regular mixing observations, the authors obtain convergence rates of sieve extremurn estimates and root-n asymptotic normality of 'plug-in' sieve extremum estimates of smooth functionals. As applications to time series models, they give convergence rates for nonparametric ARX(p,q) regression via neural networks, splines, wavelets; root-n asymptotic normality for partial linear additive AR(p) models, and monotone transformation AR(1) models.