Mean-Structure and Autocorrelation Consistent Covariance Matrix Estimation
均值结构与自相关稳健的协方差矩阵估计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：摘要明确研究非平稳时间序列的协方差估计，并允许未知趋势与多个变点，对应时间序列和结构变化。
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
均值结构与自相关稳健的协方差矩阵估计
- 研究问题
- 在含未知趋势及可能随样本增加而增多的变点的非平稳时间序列中，如何估计渐近协方差矩阵并支持有效统计推断？
- 方法与思路
- 作者提出非参数协方差估计及自动最优带宽选择，无需搜索变点、估计趋势或交叉验证，以降低计算负担并适应均值结构变化。
- 材料陈述的贡献
- 摘要称该估计量兼具统计与计算效率，可用于变点检测和趋势的同时置信带构造，并展示四个股票市场指数的实证应用。
- 阅读关注点
- 阅读全文时应核对允许的趋势与变点增长条件、带宽最优性的准则，以及协方差估计如何支持变点检测和趋势同时置信带。
- 阅读边界
- 摘要未说明具体依赖条件、带宽公式或实证结果；所称效率及对趋势、变点的稳健性须结合理论条件和有限样本证据判断。
原文摘要
We consider estimation of the asymptotic covariance matrix in nonstationary time series. A nonparametric estimator that is robust against unknown forms of trends and possibly a divergent number of change points (CPs) is proposed. It is algorithmically fast because neither a search for CPs, estimation of trends, nor cross-validation is required. Together with our proposed automatic optimal bandwidth selector, the resulting estimator is both statistically and computationally efficient. It is, therefore, useful in many statistical procedures, for example, CPs detection and construction of simultaneous confidence bands of trends. Empirical studies on four stock market indices are also discussed.