Model identification for infinite variance autoregressive processes
无穷方差自回归过程的模型识别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：摘要直接研究无穷方差自回归过程、阶数选择及非因果时间序列结构。
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
无穷方差自回归过程的模型识别
- 研究问题
- 无穷方差自回归时间序列中，如何选择模型阶数，并识别非因果结构及自回归多项式的非因果根数？
- 方法与思路
- 作者通过最小化 Akaike 信息准则选择阶数，利用全通模型识别非因果结构，并用模拟和交易量数据评估方法。
- 材料陈述的贡献
- 摘要称可由最小化 AIC 得到一致的自回归阶数估计，并提出非因果阶数识别程序及股票交易量拟合应用。
- 阅读关注点
- 重点核对 AIC 阶数一致性的精确条件、准则定义和候选阶数范围，以及全通模型与非因果根数的对应关系。
- 阅读边界
- 仅依据所给出版社摘要；不能把文中的 AIC 一致性结论推广到一般自回归模型，摘要未说明其成立条件或模拟数值。
原文摘要
We consider model identification for infinite variance autoregressive time series processes. It is shown that a consistent estimate of autoregressive model order can be obtained by minimizing Akaike’s information criterion, and we use all-pass models to identify noncausal autoregressive processes and estimate the order of noncausality (the number of roots of the autoregressive polynomial inside the unit circle in the complex plane). We examine the performance of the order selection procedures for finite samples via simulation, and use the techniques to fit a noncausal autoregressive model to stock market trading volume data.