Estimation of time series models using residuals dependence measures
利用残差依赖度量估计时间序列模型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：摘要明确研究非因果或不可逆时间序列及自回归移动平均模型的识别与估计。
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…
关注这篇论文的作者
利用残差依赖度量估计时间序列模型
- 研究问题
- 如何利用残差的序列依赖信息估计可能非因果或不可逆的时间序列模型，并识别自回归移动平均滞后多项式根的位置？
- 方法与思路
- 作者通过残差特征函数构造广义谱和分布函数依赖度量，施加独立同分布或鞅差限制，并对连续矩条件进行加权估计。
- 材料陈述的贡献
- 摘要称，方法无需高阶矩或指定误差分布来识别根的位置，并讨论一致性、渐近分布及独立误差下最优加权的似然效率。
- 阅读关注点
- 应核对独立与鞅差限制分别如何识别根的位置、递增滞后数的条件、最优权重构造，以及对高阶依赖的稳健推断。
- 阅读边界
- 仅据版本未注明的索引摘要；具体识别与正则条件未说明，效率结论有独立性条件，不能推断所有设定均优于其他方法。
原文摘要
We propose new estimation methods for time series models, possibly noncausal and/or noninvertible, using serial dependence information from the characteristic function of model residuals. This allows to impose the i.i.d. or martingale difference assumptions on the model errors to identify the unknown location of the roots of the lag polynomials for ARMA models without resorting to higher order moments or distributional assumptions. We consider generalized spectral density and cumulative distribution functions to measure residuals dependence at an increasing number of lags under both assumptions and discuss robust inference to higher order dependence when only mean independence is imposed on model errors. We study the consistency and asymptotic distribution of parameter estimates and discuss efficiency when different restrictions on error dependence are used simultaneously, including serial uncorrelation. Optimal weighting of continuous moment conditions yields maximum likelihood efficiency under independence for unknown error distribution. We investigate numerical implementation and finite sample properties of the new classes of estimates.