ASYMPTOTIC DISTRIBUTION-FREE DIAGNOSTIC TESTS FOR HETEROSKEDASTIC TIME SERIES MODELS
异方差时间序列模型的渐近分布无关诊断检验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。
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：摘要研究异方差时间序列诊断，明确涵盖 ARMA-GARCH，并以标普 500 日度指数作应用。
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
异方差时间序列模型的渐近分布无关诊断检验
- 研究问题
- 对可能非线性且具有异方差的时间序列模型，如何在条件信息集为无限维时构造整体性的模型诊断检验？
- 方法与思路
- 作者以加权标准化残差经验过程的泛函构造检验，推导渐近分布及包含初始条件的统一展开，并开展模拟和应用。
- 材料陈述的贡献
- 摘要称，检验渐近分布无关，对一类以 n 的负二分之一次方速度靠近的局部备择具有检出能力，并展示股指应用。
- 阅读关注点
- 应核对模型类别、权重和标准化方式，分布无关性质所需条件，以及局部备择结论和初始条件展开的准确表述。
- 阅读边界
- 仅据所给 Crossref 摘要，检验泛函、条件和模拟数值未给出，不能据此断言覆盖全部异方差模型或具有普遍高功效。
原文摘要
This article investigates model checks for a class of possibly nonlinear heteroskedastic time series models, including but not restricted to ARMA-GARCH models. We propose omnibus tests based on functionals of certain weighted standardized residual empirical processes. The new tests are asymptotically distribution-free, suitable when the conditioning set is infinite-dimensional, and consistent against a class of Pitman’s local alternatives converging at the parametric rate n −1/2 , with n the sample size. A Monte Carlo study shows that the simulated level of the proposed tests is close to the asymptotic level already for moderate sample sizes and that tests have a satisfactory power performance. Finally, we illustrate our methodology with an application to the well-known S&P 500 daily stock index. The paper also contains an asymptotic uniform expansion for weighted residual empirical processes when initial conditions are considered, a result of independent interest.