Diagnostic Checking for Wasserstein Autoregression
Wasserstein 自回归的诊断检验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。
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：摘要直接研究概率分布时间序列的自回归建模及序列相关诊断。
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…
Wasserstein 自回归的诊断检验
- 研究问题
- 当时间序列的观测对象是概率分布时，如何诊断 Wasserstein 自回归模型是否充分刻画了分布之间的序列依赖？
- 方法与思路
- 作者在 Wasserstein 空间定义误差与残差自相关，构造经典 McLeod 型和样本拆分型两类综合诊断检验。
- 材料陈述的贡献
- 摘要称，在温和正则条件下两类统计量具有卡方极限，模拟与应用显示这些检验能够发现模型设定错误。
- 阅读关注点
- 应核对空间中的自相关定义、参数估计对残差检验的影响，以及卡方自由度、样本拆分方式和检验功效。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收均未核实；摘要未列正则条件、具体应用或有限样本尺寸与功效结果。
原文摘要
Wasserstein autoregression provides a robust framework for modeling serial dependence among probability distributions, with wide-ranging applications in economics, finance, and climate science. In this paper, we develop portmanteau-type diagnostic tests for assessing the adequacy of Wasserstein autoregressive models. By defining autocorrelation functions for model errors and residuals in the Wasserstein space, we construct two related tests: one analogous to the classical McLeod type test, and the other based on the sample-splitting approach of Davis and Fernandes(2025). We establish that, under mild regularity conditions, the corresponding test statistics converge in distribution to chi-square limits. Simulation studies and empirical applications demonstrate that the proposed tests effectively detect model mis-specification, offering a principled and reliable diagnostic tool for distributional time series analysis.