Diagnostic Checking in ARMA Models With Uncorrelated Errors
误差不相关的 ARMA 模型诊断检验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：摘要直接研究 ARMA 时间序列模型的残差自相关与诊断检验。
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…
误差不相关的 ARMA 模型诊断检验
- 研究问题
- 当 ARMA 创新项不相关但并不独立时，常用 Box–Pierce 与 Ljung–Box 检验为何可能失效，如何构造适用的残差诊断检验？
- 方法与思路
- 作者在较弱噪声条件下推导残差自相关向量的渐近协方差及总体检验统计量分布，提出一致估计和修正检验，并用模拟与收益数据展示。
- 材料陈述的贡献
- 摘要称，修正方法可在噪声仅不相关的情形下提供渐近有效的残差自相关显著性界限和拟合优度检验，而不要求独立或鞅差。
- 阅读关注点
- 应核对不相关噪声之外的技术条件、协方差估计及检验修正方式，并查看模拟如何体现传统检验失真和新方法的适用范围。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，其中一致估计对象的符号缺失，需查原 PDF；摘要未给出完整弱噪声条件和模拟数值。
原文摘要
We consider tests for lack of fit in ARMA models with nonindependent innovations. In this framework, the standard Box–Pierce and Ljung–Box portmanteau tests can perform poorly. Specifically, the usual text book formulas for asymptotic distributions are based on strong assumptions and should not be applied without careful consideration. In this article we derive the asymptotic covariance matrix of a vector of autocorrelations for residuals of ARMA models under weak assumptions on the noise. The asymptotic distribution of the portmanteau statistics follows. A consistent estimator of , and a modification of the portmanteau tests are proposed. This allows us to construct valid asymptotic significance limits for the residual autocorrelations, and (asymptotically) valid goodness-of-fit tests, when the underlying noise process is assumed to be noncorrelated rather than independent or a martingale difference. A set of Monte Carlo experiments, and an application to the Standard & Poor 500 returns, illustrate the practical relevance of our theoretical results.