Asymptotically Efficient Selection of the Order of the Model for Estimating Parameters of a Linear Process
线性过程参数估计中模型阶数的渐近有效选择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：摘要明确研究平稳线性过程、自回归选阶及预测器均方误差，直接对应时间序列与预测方法。
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
线性过程参数估计中模型阶数的渐近有效选择
- 研究问题
- 对具有无限阶自回归表示的平稳线性过程，如何依据数据选择有限阶模型，使估计得到的预测器达到渐近均方误差下界？
- 方法与思路
- 作者在高斯独立同分布创新设定下用最小二乘拟合不同阶数，推导预测器误差下界，并分析按样本量与阶数加权残差方差选阶的规则。
- 材料陈述的贡献
- 摘要称给出了数据驱动选阶下预测器均方误差的渐近下界，并证明所述选阶准则可在极限中达到该界，关键设定是真实阶数无限。
- 阅读关注点
- 应核对无限阶假设、系数衰减与候选阶数范围、预测器误差的定义，以及达到下界的结论是否涉及独立新样本或其他预测场景。
- 阅读边界
- 依据稿件版本未注明的 OpenAlex 索引摘要。结论依赖无限阶自回归及所述高斯创新设定，摘要未说明有限阶真实模型的表现。
原文摘要
Let $\{x_t\}$ be a linear stationary process of the form $x_t + \Sigma_{1\leqslant i<\infty}a_ix_{t-i} = e_t$, where $\{e_t\}$ is a sequence of i.i.d. normal random variables with mean 0 and variance $\sigma^2$. Given observations $x_1, \cdots, x_n$, least squares estimates $\hat{a}(k)$ of $a' = (a_1, a_2, \cdots)$, and $\hat{\sigma}^2_k$ of $\sigma^2$ are obtained if the $k$th order autoregressive model is assumed. By using $\hat{a}(k)$, we can also estimate coefficients of the best predictor based on $k$ successive realizations. An asymptotic lower bound is obtained for the mean squared error of the estimated predictor when $k$ is selected from the data. If $k$ is selected so as to minimize $S_n(k) = (n + 2k)\hat{\sigma}^2_k$, then the bound is attained in the limit. The key assumption is that the order of the autoregression of $\{x_t\}$ is infinite.