Sieve-based inference for infinite-variance linear processes
无限方差线性过程的筛方法推断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：摘要明确研究平稳可逆线性过程、自回归筛估计及其自助推断，直接对应时间序列方法。
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…
无限方差线性过程的筛方法推断
- 研究问题
- 当平稳可逆线性过程由独立同分布的无限方差创新驱动时，自回归筛估计和脉冲响应估计能否支持有效推断？
- 方法与思路
- 作者研究阶数随样本量增长的自回归最小二乘筛估计，并比较野生、置换及二者混合的三种筛自助法。
- 材料陈述的贡献
- 摘要称估计量具有一致性；置换自助法在一般条件下有效，混合法另需创新对称，而野生法需要不可实施的修正。
- 阅读关注点
- 应核对无限方差创新的具体分布条件、自回归阶数增长限制，以及三种自助法的一致性对象和野生法修正的障碍。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体尾部条件和极限形式未给出，混合法有效性有对称性限制，不能泛化到任意重尾过程。
原文摘要
We extend the available asymptotic theory for autoregressive sieve estimators to cover the case of stationary and invertible linear processes driven by independent identically distributed (i.i.d.) infinite variance (IV) innovations. We show that the ordinary least squares sieve estimates, together with estimates of the impulse responses derived from these, obtained from an autoregression whose order is an increasing function of the sample size, are consistent and exhibit asymptotic properties analogous to those which obtain for a finite-order autoregressive process driven by i.i.d. IV errors. As these limit distributions cannot be directly employed for inference because they either may not exist or, where they do, depend on unknown parameters, a second contribution of the paper is to investigate the usefulness of bootstrap methods in this setting. Focusing on three sieve bootstraps: the wild and permutation bootstraps, and a hybrid of the two, we show that, in contrast to the case of finite variance innovations, the wild bootstrap requires an infeasible correction to be consistent, whereas the other two bootstrap schemes are shown to be consistent (the hybrid for symmetrically distributed innovations) under general conditions.