Linear Serial Rank Tests for Randomness Against Arma Alternatives
针对 ARMA 备择的随机性线性序列秩检验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：摘要明确研究白噪声检验、ARMA 序列依赖及样本自相关，直接对应时间序列方向。
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…
针对 ARMA 备择的随机性线性序列秩检验
- 研究问题
- 如何利用线性序列秩统计量检验白噪声，相对于 ARMA 序列依赖备择获得有效检验，并评价其与样本自相关检验的效率差异？
- 方法与思路
- 作者构造线性序列秩统计量，运用 Le Cam 的相邻性概念分析原假设与备择下的渐近正态性，并研究得分生成函数及相对效率。
- 材料陈述的贡献
- 摘要称，文章建立相关渐近正态结果，给出渐近最高效得分生成函数的显式形式，并分析相对正态理论自相关检验的渐近效率。
- 阅读关注点
- 应核对白噪声和 ARMA 备择的具体定义、相邻性所用的备择序列，以及最优得分函数对分布信息的依赖和效率比较的适用范围。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；误差条件、备择设定和相对效率数值未说明，不能据此断言有限样本优越性或刊本变化。
原文摘要
In this paper we introduce a class of linear serial rank statistics for the problem of testing white noise against alternatives of ARMA serial dependence. The asymptotic normality of the proposed statistics is established, both under the null as well as alternative hypotheses, using LeCam's notion of contiguity. The efficiency properties of the proposed statistics are investigated, and an explicit formulation of the asymptotically most efficient score-generating functions is provided. Finally, we study the asymptotic relative efficiency of the proposed procedures with respect to their normal theory counterparts based on sample autocorrelations.