Testing for Trend in the Presence of Autoregressive Error
自回归误差存在时的趋势检验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：摘要明确研究含自回归误差的线性时间趋势模型及其检验，直接属于时间序列方法。
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
自回归误差存在时的趋势检验
- 研究问题
- 在线性趋势叠加零均值自回归误差的时间序列中，如何避免趋势检验对自回归参数过度敏感，并在参数空间内保持较稳定的表现？
- 方法与思路
- 作者分析可行广义最小二乘趋势估计量的方差对自回归参数的依赖，提出基于 Gauss–Newton 程序的检验并比较其表现。
- 材料陈述的贡献
- 摘要称，Gauss–Newton 检验在参数空间内比基于可行广义最小二乘的检验表现更均匀，同时具有良好的检验功效。
- 阅读关注点
- 应核对自回归阶数及参数范围、检验统计量与临界值构造，明确更均匀所指的指标，并检查功效比较的样本及备择设定。
- 阅读边界
- 仅据所给 OpenAlex 索引摘要，稿件版本未注明；摘要未说明边界参数、误差分布及具体比较结果，不能认定检验在所有情形均占优。
原文摘要
A popular model for assessing dependence on time is the time series model composed of a linear trend plus a zero mean autoregressive (AR) process. Although considerable effort has been devoted developing tests for linear trend in the presence of serial correlation, the testing procedures used in practice are less than satisfactory for portions of the parameter space for the AR coefficient. This is because the variance of the feasible generalized least squares (FGLS) estimator of the trend coefficient is heavily dependent on the parameters of the AR process. A test based on the Gauss–Newton procedure is shown to have more uniform behavior over the parameter space than tests based on FGLS. The test based on Gauss–Newton procedure also has good power.