Diagnostic checking of periodic vector autoregressive time series models with dependent errors
含依赖误差的周期向量自回归时间序列模型诊断检验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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要聚焦周期向量自回归时间序列的残差诊断与依赖创新项。
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…
含依赖误差的周期向量自回归时间序列模型诊断检验
- 研究问题
- 在创新项不相关但具有依赖性的周期向量自回归模型中，如何正确使用残差自相关检验，避免传统诊断的拒绝率失真？
- 方法与思路
- 作者研究弱周期向量自回归模型残差自相关的渐近行为，据此推导修正 Ljung–Box–McLeod 综合检验统计量的分布。
- 材料陈述的贡献
- 摘要称，新检验在模拟中具有合理表现；面对条件异方差等依赖时，其检验水平较传统独立创新项版本更令人满意。
- 阅读关注点
- 应核对创新项依赖的允许形式、渐近协方差估计、周期模型设定，以及模拟是否分别报告检验水平和检验功效。
- 阅读边界
- 所据为 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未给出完整正则条件、具体拒绝率或应用数据细节。
原文摘要
In this article, we study the asymptotic behaviour of the residual autocorrelations for periodic vector autoregressive time series models (PVAR henceforth) with uncorrelated but dependent innovations (i.e., weak PVAR). We then deduce the asymptotic distribution of the Ljung-Box-McLeod modified Portmanteau statistics for weak PVAR models. In Monte Carlo experiments, we illustrate that the proposed test statistics have reasonable finite sample performance. When the innovations exhibit conditional heteroscedasticity or other forms of dependence, it appears that the standard test statistics (under independent and identically distributed innovations) are generally nonreliable, overrejecting, or underrejecting severely, while the proposed test statistics offer satisfactory levels. An illustrative application on real data is also proposed.