Detection of Long Range Dependence in the Time Domain for (In)Finite-Variance Time Series
有限与无限方差时间序列的时域长程依赖检测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：摘要研究时间序列的长程依赖、记忆参数及时域与频域估计方法。
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…
有限与无限方差时间序列的时域长程依赖检测
- 研究问题
- 如何在时域中检测时间序列的长程依赖，避免依赖目测选择回归窗口，并将检测方法用于具有无限方差的序列？
- 方法与思路
- 作者为方差图估计量的回归窗口建立保证一致性的渐近条件，覆盖一大类平方可积模型，并通过适当变换处理无限方差序列。
- 材料陈述的贡献
- 摘要称其提供理论化窗口选择条件，并扩展到无限方差序列；模拟研究显示方差图方法在所考察情形中比 GPH 更能检测长程依赖。
- 阅读关注点
- 应核对窗口增长条件、覆盖的模型类别、无限方差情形的变换及其影响，以及与 GPH 比较时的样本设置和检测指标。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未列出窗口条件、变换形式或模拟数值，比较结论不能普遍推广。
原文摘要
Empirical detection of long range dependence (LRD) of a time series often consists of deciding whether an estimate of the memory parameter $d$ corresponds to LRD. Surprisingly, the literature offers numerous spectral domain estimators for $d$ but there are only a few estimators in the time domain. Moreover, the latter estimators are criticized for relying on visual inspection to determine an observation window $[n_1, n_2]$ for a linear regression to run on. Theoretically motivated choices of $n_1$ and $n_2$ are often missing for many time series models. In this paper, we take the well-known variance plot estimator and provide rigorous asymptotic conditions on $[n_1, n_2]$ to ensure the estimator's consistency under LRD. We establish these conditions for a large class of square-integrable time series models. This large class enables one to use the variance plot estimator to detect LRD for infinite-variance time series (after suitable transformation). Thus, detection of LRD for infinite-variance time series is another novelty of our paper. A simulation study indicates that the variance plot estimator can detect LRD better than the popular spectral domain GPH estimator.