Bootstrapping Whittle Estimators
Whittle 估计量的自助法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：摘要明确研究平稳时间序列的频域参数估计与自助推断。
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…
Whittle 估计量的自助法
- 研究问题
- 在谱密度参数模型可能误设、序列具有弱依赖时，如何估计 Whittle 估计量的抽样分布，以支持置信区间和变异性评估？
- 方法与思路
- 作者提出频域自助法，并考虑适配加窗、去偏及边界扩展等 Whittle 估计变体，以模拟和真实数据展示方法。
- 材料陈述的贡献
- 摘要称自助法在允许模型误设及弱依赖的条件下渐近有效，且模拟显示良好的有限样本表现；未提供具体误差数值。
- 阅读关注点
- 核对模型误设下推断的目标参数、自助样本构造、平稳性与依赖条件，以及不同 Whittle 变体需要怎样调整程序。
- 阅读边界
- 所据为 arXiv 预印本，不能确认同行评审或期刊接收；摘要未列出完整有效性条件，也未说明置信区间覆盖率与调参敏感性。
原文摘要
Fitting parametric models by optimizing frequency domain objective functions is an attractive approach of parameter estimation in time series analysis. Whittle estimators are a prominent example in this context. Under weak conditions and the (realistic) assumption that the true spectral density of the underlying process does not necessarily belong to the parametric class of spectral densities fitted, the distribution of Whittle estimators typically depends on difficult to estimate characteristics of the underlying process. This makes the implementation of asymptotic results for the construction of confidence intervals or for assessing the variability of estimators, difficult in practice. This paper proposes a frequency domain bootstrap method to estimate the distribution of Whittle estimators which is asymptotically valid under assumptions that not only allow for (possible) model misspecification but also for weak dependence conditions which are satisfied by a wide range of stationary stochastic processes. Adaptions of the bootstrap procedure developed to incorporate different modifications of Whittle estimators proposed in the literature, like for instance, tapered, de-biased or boundary extended Whittle estimators, are also considered. Simulations demonstrate the capabilities of the bootstrap method proposed and its good finite sample performance. A real-life data analysis also is presented.