ASYMPTOTIC THEORY FOR MAXIMUM LIKELIHOOD ESTIMATION OF THE MEMORY PARAMETER IN STATIONARY GAUSSIAN PROCESSES
平稳高斯过程记忆参数极大似然估计的渐近理论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：摘要直接研究平稳高斯时间序列的记忆参数及其极大似然渐近性质，因此对应时间序列方向。
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…
平稳高斯过程记忆参数极大似然估计的渐近理论
- 研究问题
- 平稳高斯时间序列的记忆参数极大似然估计，能否在包括反持续性和不可逆情形的整个平稳区域内保持渐近性质？
- 方法与思路
- 作者在已有短记忆与长记忆极大似然理论基础上扩展适用区域，将反持续性和不可逆情形纳入渐近分析。
- 材料陈述的贡献
- 摘要称，论文把极大似然估计的一致性、渐近正态性和效率结果扩展到整个平稳区域，包括此前所述特殊情形。
- 阅读关注点
- 应核对过程的参数化形式、平稳区域边界、不可逆情形的处理，以及一致性和效率结论所需的完整正则条件。
- 阅读边界
- 仅据所给Crossref摘要，无法确认参数空间、边界附近是否一致有效或有限样本表现，也不能把平稳区域扩展为非平稳过程。
原文摘要
Consistency, asymptotic normality, and efficiency of the maximum likelihood estimator for stationary Gaussian time series were shown to hold in the short memory case by Hannan (1973, Journal of Applied Probability 10, 130–145) and in the long memory case by Dahlhaus (1989, Annals of Statistics 34, 1045–1047). In this paper we extend these results to the entire stationarity region, including the case of antipersistence and noninvertibility.