TESTING FOR LONG MEMORY
长记忆检验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。
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：摘要直接讨论短记忆、长记忆及样本自协方差构造的检验，属于时间序列方法。
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…
长记忆检验
- 研究问题
- 如何检验短记忆原假设对长记忆备择，并降低短期自相关引入的干扰参数对检验分布及有限样本表现的影响？
- 方法与思路
- 作者仅使用高阶样本自协方差构造统计量，并针对确定性线性回归中的不可观测扰动提出残差形式的检验。
- 材料陈述的贡献
- 摘要称残差统计量在原假设下渐近标准正态，且对长记忆备择一致；模拟显示其尺寸较稳健、功效具有竞争力。
- 阅读关注点
- 应核对自协方差阶数的选择、回归残差替代的影响、渐近条件，以及模拟中比较检验的设定与尺寸和功效。
- 阅读边界
- 仅依据所给出版社摘要；稳健性与功效比较属于作者报告，具体模拟设计和数值未说明，不能推断其普遍优于其他检验。
原文摘要
This paper introduces a new test statistic for the null hypothesis of short memory against long memory alternatives. The novelty of our statistic is that it is based on only high-order sample autocovariances and by construction eliminates the effects of nuisance parameters typically induced by short memory autocorrelation. For practically relevant situations where the short memory process is not directly observed, but instead appears as the disturbance term in a deterministic linear regression model, we are able to demonstrate that our residual-based statistic has an asymptotic standard normal distribution under the null hypothesis. We also establish consistency of the statistic under long memory alternatives. The finite-sample properties of our procedure are compared to other well-known tests in the literature via Monte Carlo simulations. These show that the empirical size properties of the new statistic can be very robust compared to existing tests and also that it competes well in terms of power.We thank the associate editor and two anonymous referees for their valuable comments on an earlier draft of this paper.