EMPIRICAL CHARACTERISTIC FUNCTION IN TIME SERIES ESTIMATION
时间序列估计中的经验特征函数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：摘要研究严格平稳时间序列及稳定分布、高斯 ARMA 模型的参数估计。
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…
关注这篇论文的作者
时间序列估计中的经验特征函数
- 研究问题
- 对于严格平稳过程，尤其似然难以计算的稳定分布 ARMA 模型，经验特征函数能否提供可行且具有良好渐近性质的参数估计？
- 方法与思路
- 作者通过经验特征函数构造估计方法，在正则条件下研究一致性与渐近正态性，并给出高斯 ARMA 情形的最优权重及估计方程。
- 材料陈述的贡献
- 摘要称方法可用于一般稳定分布 ARMA 的全部目标参数；模拟支持其可行性，并比较了高斯情形下与精确及条件极大似然的表现。
- 阅读关注点
- 应核对使用边际还是联合特征函数、参数识别与权重选择、稳定分布参数范围，以及依赖结构如何进入渐近协方差。
- 阅读边界
- 仅据所给 Crossref 摘要，无法恢复正则条件、最优权重或估计方程；模拟比较未给数值，不能据此断言普遍优于极大似然。
原文摘要
Because the empirical characteristic function (ECF) is the Fourier transform of the empirical distribution function, it retains all the information in the sample but can overcome difficulties arising from the likelihood. This paper discusses an estimation method via the ECF for strictly stationary processes. Under some regularity conditions, the resulting estimators are shown to be consistent and asymptotically normal. The method is applied to estimate the stable autoregressive moving average (ARMA) models. For the general stable ARMA model for which the maximum likelihood approach is not feasible, Monte Carlo evidence shows that the ECF method is a viable estimation method for all the parameters of interest. For the Gaussian ARMA model, a particular stable ARMA model, the optimal weight functions and estimating equations are given. Monte Carlo studies highlight the finite sample performances of the ECF method relative to the exact and conditional maximum likelihood methods.