Bootstrap Inference for a First-Order Autoregression with Positive Innovations
正值创新一阶自回归模型的 Bootstrap 推断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：摘要直接研究一阶自回归序列的参数推断与重抽样有效性，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…
关注这篇论文的作者
正值创新一阶自回归模型的 Bootstrap 推断
- 研究问题
- 对于具有正值创新的一阶自回归序列，如何利用极值估计量及 Bootstrap 构造自回归参数的非参数置信区间？
- 方法与思路
- 作者研究渐近枢轴量的重抽样分布，要求重抽样规模与原样本规模之比趋于零，并建立相关点过程收敛结果。
- 材料陈述的贡献
- 摘要称该 Bootstrap 可一致估计所述抽样分布，从而构造非参数区间，并讨论归一化估计量的偏差校正应用。
- 阅读关注点
- 应核对正值创新及正则变差条件、枢轴量对尾部指数的依赖，以及重抽样规模选择和偏差校正的实施方式。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；估计量定义与完整条件未给出，不能将有效性推广到通常的等规模 Bootstrap。
原文摘要
In this article we consider statistical inference for the autoregressive parameter of a first-order autoregressive sequence with positive innovations via an extreme value estimator ϕ. We show that a bootstrap procedure correctly estimates the sampling distribution of an asymptotically pivotal quantity (whose distribution depends only on the exponent of regular variation of the innovation distribution) based on ϕ, provided that the ratio of the bootstrap sample size m and the original sample size n converges to zero. This result enables us to construct a totally nonparametric confidence interval for the autoregressive parameter. We also consider bootstrapping a normalized version of ϕ with an application toward bias correction. To obtain the bootstrap validity results, we develop a continuous convergence result for certain associated point processes. We also present results of simulation studies and a numerical example.