Computation of Certain Minimum Distance Estimators in AR[ k ] Model
k 阶自回归模型中某些最小距离估计量的计算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：摘要明确讨论自回归参数估计及加性、创新异常值，直接属于时间序列方法。
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
k 阶自回归模型中某些最小距离估计量的计算
- 研究问题
- 在存在加性异常值和创新异常值的自回归模型中，哪些最小距离估计量能够保证存在，并具有怎样的稳健表现？
- 方法与思路
- 作者先给出特定函数类最小化解存在的充分条件，再用于自回归最小距离估计，并以模拟比较若干估计子类。
- 材料陈述的贡献
- 摘要称，建立了所研究估计量的存在性；部分子类在模拟中表现接近或优于比较方法，并对加性异常值较稳健。
- 阅读关注点
- 应核对距离准则与存在性条件、实际求解方式，以及加性和创新异常值的生成设定、比较指标与基准估计量。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；存在性不等于唯一性或算法收敛，摘要也未给出一般稳健性保证及数值比较细节。
原文摘要
This article gives sufficient conditions that guarantee the existence of minimizers of special classes of functions. Using these results, a certain dass of minimum distance (MD) estimators of the autoregressive parameters is shown to exist under the additive and innovative outliers; that is, autoregression (AO and IO) models. Through simulations, a certain subclass of MD estimators is shown to perform as good as or in some cases even better than other classical estimators like GM and functional least square estimators under the IO and AO models. Simulation results also show that MD estimators are robust against AO's.