SMALL-SAMPLE LIKELIHOOD-BASED INFERENCE IN THE ARFIMA MODEL
ARFIMA 模型中基于似然的小样本推断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 ARFIMA 长记忆时间序列及分数差分参数的似然检验，归入时间序列方向有明确依据。
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…
ARFIMA 模型中基于似然的小样本推断
- 研究问题
- 在高斯 ARFIMA 长记忆模型中，分数差分参数的常规似然比检验在小样本下表现如何，Bartlett 校正能否改善它？
- 方法与思路
- 作者推导似然比检验的 Bartlett 校正因子，研究校正检验的渐近近似阶数，并通过小规模模拟比较两种检验。
- 材料陈述的贡献
- 摘要称，简单模型中两种检验在样本量为四十时表现较好，样本量为二十时 Bartlett 校正通常有所改善。
- 阅读关注点
- 应核对校正因子的计算、被检验参数与干扰参数的处理、近似阶数，以及模拟中的模型设定和检验评价指标。
- 阅读边界
- 所给 Crossref 摘要仅报告简单模型的概括性模拟结论，未说明具体误差幅度，不能据此推断复杂 ARFIMA 模型的表现。
原文摘要
The autoregressive fractionally integrated moving average (ARFIMA) model has become a popular approach for analyzing time series that exhibit long-range dependence. For the Gaussian case, there have been substantial advances in the area of likelihood-based inference, including development of the asymptotic properties of the maximum likelihood estimates and formulation of procedures for their computation. Small-sample inference, however, has not to date been studied. Here we investigate the small-sample behavior of the conventional and Bartlett-corrected likelihood ratio tests (LRT) for the fractional difference parameter. We derive an expression for the Bartlett correction factor. We investigate the asymptotic order of approximation of the Bartlett-corrected test. In addition, we present a small simulation study of the conventional and Bartlett-corrected LRT's. We find that for simple ARFIMA models both tests perform fairly well with a sample size of 40 but the Bartlett-corrected test generally provides an improvement over the conventional test with a sample size of 20.