Frequency domain minimum distance inference for possibly noninvertible and noncausal ARMA models
可能不可逆与非因果 ARMA 模型的频域最小距离推断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 ARMA 时间序列的频域识别、估计与推断，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…
关注这篇论文的作者
可能不可逆与非因果 ARMA 模型的频域最小距离推断
- 研究问题
- 对于可能非因果或不可逆的非高斯 ARMA 时间序列，如何识别自回归与移动平均多项式的根位置并开展参数推断？
- 方法与思路
- 作者利用高阶矩识别根的位置，提出在频域最优组合二阶、三阶和四阶矩信息的最小距离估计及相关推断程序。
- 材料陈述的贡献
- 摘要称估计量在一般假设下一致，可能较仅用二阶矩的估计更有效率，且适用于三阶或四阶谱密度之一为零的过程。
- 阅读关注点
- 应核对非高斯性如何实现识别、所需矩与谱条件、最优权重构造，以及高阶谱为零时哪些信息仍可支撑识别。
- 阅读边界
- 依据稿件版本未注明的 OpenAlex 索引摘要。一般假设和效率比较条件未列出；非因果是时间序列模型概念，不能据此作经济因果解释，也不推断刊本变化。
原文摘要
This article introduces frequency domain minimum distance procedures for performing inference in general, possibly non causal and/or noninvertible, autoregressive moving average (ARMA) models. We use information from higher order moments to achieve identification on the location of the roots of the AR and MA polynomials for non-Gaussian time series. We propose a minimum distance estimator that optimally combines the information contained in second, third, and fourth moments. Contrary to existing estimators, the proposed one is consistent under general assumptions, and may improve on the efficiency of estimators based on only second order moments. Our procedures are also applicable for processes for which either the third or the fourth order spectral density is the zero function.