Recursive Computation of $M$-Estimates for the Parameters of a Finite Autoregressive Process
有限阶自回归过程参数的 M 估计递归计算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：摘要明确研究有限阶自回归过程、弱依赖与重尾创新，直接对应时间序列方向。
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…
关注这篇论文的作者
有限阶自回归过程参数的 M 估计递归计算
- 研究问题
- 对于阶数已知且可能具有重尾创新的自回归过程，如何递归计算参数的 M 估计，并保证收敛及降低重尾观测的影响？
- 方法与思路
- 作者以随机逼近生成递归 M 估计序列，利用弱依赖性质证明几乎处处收敛，并通过简短蒙特卡洛实验考察有界影响函数。
- 材料陈述的贡献
- 摘要称，递归估计序列在所用条件下几乎处处收敛到真实参数；模拟表明有界影响函数可为递归程序提供重尾保护。
- 阅读关注点
- 应核对随机逼近的更新与步长、弱依赖和收敛条件、影响函数选择，以及模拟中的创新分布和稳健性比较标准。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明步长、尾部条件或模拟数值，不能推断对所有重尾过程均稳健。
原文摘要
Stochastic approximation methods are used to generate a sequence of "$M$-estimates" for the unknown parameters of an autoregressive process of known, finite order which may have heavy-tailed innovations. Weak dependence properties, which can be demonstrated for many autoregressive processes, are used in the proof that the sequence converges almost surely to the parameters. A brief Monte Carlo study verifies that bounded influence functions provide protection for recursive procedures against heavy-tailed innovations.