Testing for Neglected Nonlinearity in Long-Memory Models
长记忆模型中遗漏非线性的检验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：摘要明确以时间序列中的分数积分长记忆与未知非线性为检验对象，经济金融序列是应用背景，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…
关注这篇论文的作者
长记忆模型中遗漏非线性的检验
- 研究问题
- 当时间序列已包含分数积分的长记忆成分时，是否仍存在未被模型捕捉的非线性，且能否在不预设其函数形式的情况下检验？
- 方法与思路
- 作者使用人工神经网络近似构造非线性检验，不限制非线性的具体参数形式，并通过理论分析、模拟与经济金融序列应用考察方法。
- 材料陈述的贡献
- 摘要称建立了长记忆成分之外的未知形式非线性检验，给出部分理论结果及详细的功效模拟证据，并应用于多类经济金融序列。
- 阅读关注点
- 阅读时应核对原假设与备择假设、神经网络近似方式和检验统计量，重点查看长记忆参数的处理、显著性控制及模拟功效设定。
- 阅读边界
- 摘要未说明理论结果的具体条件、统计量分布、样本规模或应用结论；不能仅凭功效模拟的概述判断检验在各类序列中的可靠性。
原文摘要
This article constructs tests for the presence of nonlinearity of unknown form in addition to a fractionally integrated, long-memory component in a time series process. The tests are based on artificial neural network approximations and do not restrict the parametric form of the nonlinearity. Some theoretical results for the new tests are obtained, and detailed simulation evidence on the power of the tests is presented. The new methodology is then applied to a wide variety of economic and financial time series.