On filter-type estimation of discretely sampled cyclic long-memory processes
离散采样周期性长记忆过程的滤波型估计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。
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：摘要明确研究离散采样时间序列中的周期性长记忆过程及其参数估计。
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…
离散采样周期性长记忆过程的滤波型估计
- 研究问题
- 实际数据通常采用离散采样时，如何把基于连续观测的广义滤波矩方法用于周期性长记忆过程，并保留参数估计的一致性和收敛速度？
- 方法与思路
- 作者将连续采样过程的广义滤波矩方法扩展到离散时间情形，分析新估计量的渐近性质，并通过数值研究考察采样率及分辨率的影响。
- 材料陈述的贡献
- 摘要称，离散估计量具有与连续情形类似的性质，具备强一致性及相同收敛速率；数值研究展示理论结果并提示准确估计所需的采样配置。
- 阅读关注点
- 应核对周期性长记忆过程、滤波器和离散采样方案的定义，确认强一致性与速率结论所需条件，并查看采样率和分辨率如何共同影响误差。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获核实；摘要未给出具体收敛速率、正则条件和采样阈值，不能直接用于确定实际采样方案。
原文摘要
The generalized filtered method of moments was developed in the recent papers by Alomari et al., 2020, and Ayache et al., 2022. It used functional data obtained from continuously sampled cyclic long-memory stochastic processes to simultaneously estimate their parameters. However, the majority of applications deal with discretely sampled processes or time series. This paper extends the approach to accommodate discrete-time scenarios. It proves that the new discrete estimates exhibit analogous properties to the continuous case and are strongly consistent with the same rates of convergence. The numerical study results are presented to illustrate the theoretical findings and to indicate the sampling rates and resolution levels required for accurate estimates.