Inference for Non-Stationary Heavy Tailed Time Series
非平稳重尾时间序列的统计推断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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确研究非平稳重尾时间序列、时变线性过程及局部参数推断，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…
非平稳重尾时间序列的统计推断
- 研究问题
- 当时间序列参数随时间变化且误差具有重尾、甚至不存在有限方差时，如何一致估计时变参数，并获得可用的渐近推断？
- 方法与思路
- 作者在时变线性过程框架内构造局部平稳重尾近似，据此估计时变参数，并加入自加权方案以恢复估计量的渐近正态性。
- 材料陈述的贡献
- 摘要称，局部近似支持时变参数的一致估计，自加权方案在是否存在有限方差的两种情形下均可获得渐近正态性，并提供经验支持。
- 阅读关注点
- 应核对时变过程的局部近似条件、重尾限制、窗口或带宽选择、自加权函数，以及经验研究如何验证推断的可靠性。
- 阅读边界
- 依据 arXiv 预印本摘要，不能确认同行评审或期刊接收；摘要未说明完整正则条件、收敛速度及经验数据，不能推断适用于所有无限方差过程。
原文摘要
We consider the problem of inference for non-stationary time series with heavy-tailed error distribution. Under a time-varying linear process framework we show that there exists a suitable local approximation by a stationary process with heavy-tails. This enable us to introduce a local approximation-based estimator which estimates consistently time-varying parameters of the model at hand. To develop a robust method, we also suggest a self-weighing scheme which is shown to recover the asymptotic normality of the estimator regardless of whether the finite variance of the underlying process exists. Empirical evidence favoring this approach is provided.