Tapered empirical likelihood for time series data in time and frequency domains
时域与频域中时间序列数据的渐消加权经验似然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：摘要直接研究时间序列在时域和频域中的经验似然推断。
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
时域与频域中时间序列数据的渐消加权经验似然
- 研究问题
- 在时间序列的时域和频域经验似然中，数据渐消加权如何影响极限分布及均值、相关性等参数区间的覆盖准确性？
- 方法与思路
- 作者分别基于渐消加权的数据块和周期图构造时域与频域经验似然，给出两种形式的极限分布并进行模拟考察。
- 材料陈述的贡献
- 摘要称，理论和模拟证据显示渐消加权能够改善时间序列参数经验似然置信区间的覆盖准确性，未报告具体改善幅度。
- 阅读关注点
- 应核对加权函数和块长的选择、两种经验似然的依赖条件，以及极限分布校准和覆盖改进适用的参数类别。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明加权规则、具体条件或误差阶，不能推断后续刊本变化。
原文摘要
We investigate data tapering in two formulations of empirical likelihood for time series. One empirical likelihood is formed from tapered data blocks in the time domain and a second is based on the tapered periodogram in the frequency domain. Limiting distributions are provided for both empirical likelihood versions under tapering. Theoretical and simulation evidence indicates that a data taper improves the coverage accuracy of empirical likelihood confidence intervals for time series parameters, such as means and correlations.