Oracally Efficient Estimation and Consistent Model Selection for Auto-Regressive Moving Average Time Series with Trend
带趋势ARMA时间序列的预言效率估计与一致模型选择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：摘要直接研究带趋势的ARMA时间序列、参数估计与阶数选择。
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
带趋势ARMA时间序列的预言效率估计与一致模型选择
- 研究问题
- 当时间序列包含平滑趋势与ARMA误差时，先估计趋势再分析残差，能否保留误差参数估计效率并正确选择模型阶数？
- 方法与思路
- 作者提出两步方法：先用B样条回归估计趋势，再对残差进行最大似然估计和BIC模型选择，并开展模拟与真实数据分析。
- 材料陈述的贡献
- 摘要称，残差估计量渐近上达到已知真实趋势时的效率，且残差序列上的BIC模型选择具有一致性，并提供有限样本示例。
- 阅读关注点
- 读全文时应核对趋势光滑性、样条复杂度和ARMA条件，以及趋势估计误差如何影响似然推断与阶数选择。
- 阅读边界
- 仅据Crossref摘要。摘要未给出预言效率与BIC一致性的具体条件，也未提供模拟数值，不能判断有限样本优势是否普遍成立。
原文摘要
Summary Most time series that are encountered in practice contain non-zero trend, yet textbook approaches to time series analysis are typically focused on zero-mean stationary auto-regressive moving average (ARMA) processes. Trend is often estimated by ad hoc methods and subtracted from time series, and the residuals are used as the true ARMA noise for data analysis and inference, including parameter estimation, lag selection and prediction. We propose a theoretically justified two-step method to analyse time series consisting of a smooth trend function and ARMA error term, which is computationally efficient and easy for practitioners to implement. The trend is estimated by B-spline regression, and the maximum likelihood estimator based on residuals is shown to be oracally efficient in the sense that it is asymptotically as efficient as if the true trend function were known and then removed to obtain the ARMA errors. In addition, consistency of the Bayesian information criterion for model selection is established for the detrended residual sequence. Finite sample performance of the procedure is illustrated by simulation studies and real data analysis.