On recursive estimation for time varying autoregressive processes
时变自回归过程的递归估计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：摘要直接研究时变自回归过程的非参数递归估计，属于时间序列方法。
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…
时变自回归过程的递归估计
- 研究问题
- 在非参数时变自回归模型中，参数曲线的平滑程度如何影响递归点估计的收敛速度，偏差修正能否恢复极小极大速率？
- 方法与思路
- 作者研究平滑参数类上的统一稳定性，通过校正项的适当标准化减弱创新分布要求，再利用误差渐近展开提出偏差削减方法。
- 材料陈述的贡献
- 摘要称，平滑指数大于零且不超过一时原估计达到极小极大速率；指数大于一且不超过二时需偏差削减来恢复该速率。
- 阅读关注点
- 应核对模型稳定性、创新分布条件、递归更新和步长选择，以及两段平滑范围内的风险标准、偏差项及速率证明。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体速率、创新分布要求和偏差修正形式未说明，不能推广到任意平滑度。
原文摘要
This paper focuses on recursive estimation of time varying autoregressive processes in a nonparametric setting. The stability of the model is revisited and uniform results are provided when the time-varying autoregressive parameters belong to appropriate smoothness classes. An adequate normalization for the correction term used in the recursive estimation procedure allows for very mild assumptions on the innovations distributions. The rate of convergence of the pointwise estimates is shown to be minimax in β-Lipschitz classes for 0<β≤1. For 1<β≤2, this property no longer holds. This can be seen by using an asymptotic expansion of the estimation error. A bias reduction method is then proposed for recovering the minimax rate.