Rank-basierte Schätzung für autoregressive gleitende mittlere Zeitreihenmodelle Wir stellen die asymptotische Normalität und Konsistenz für rangbasierte Schätzer autoregressiver gleitender Durchschnittsmodellparameter her. Die Schätzer werden erhalten durch Minimierung einer rangbasierten Restdispersionsfunktion ähnlich der von L. A. Jaeckel Ann. Mathe. Stat. Vol. 43 (1972) 1449-1458. Diese Schätzer können die gleiche asymptotische Effizienz wie die Maximum-Likelihood-Schätzer aufweisen und sind robust. Die Qualität der asymptotischen Approximationen für endliche Proben wird mittels Simulation untersucht. Copyright 2007 The Author Journal Compilation 2007 Blackwell Publishing Ltd. Wenn beim Herunterladen einer Datei Probleme auftreten, überprüfen Sie, ob Sie die richtige Anwendung zum ersten Mal haben. Bei weiteren Problemen lesen Sie bitte die IDEAS-Hilfeseite. Beachten Sie, dass diese Dateien nicht auf der IDEAS-Website sind. Bitte haben Sie Geduld, da die Dateien groß sein können. Da der Zugriff auf dieses Dokument eingeschränkt ist, können Sie nach einer anderen Version unter Verwandte Forschung suchen (weiter unten) oder nach einer anderen Version davon suchen. Artikel von Wiley Blackwell in seiner Zeitschrift Journal of Time Series Analysis zur Verfügung gestellt. Wenn Sie eine Korrektur anfordern, erwähnen Sie bitte die folgenden Punkte: rePEc: bla: jtsera: v: 29: y: 2008: i: 1: p: 51-73. Siehe allgemeine Informationen zur Korrektur von Material in RePEc. Für technische Fragen zu diesem Artikel oder zur Korrektur der Autoren, Titel, Zusammenfassung, Bibliographie oder Download-Informationen wenden Sie sich an: (Wiley-Blackwell Digital Licensing) oder (Christopher F. Baum) Wenn Sie diesen Artikel verfasst haben und noch nicht registriert sind RePEc, wir ermutigen Sie, es hier zu tun. Dadurch können Sie Ihr Profil mit diesem Element verknüpfen. Es erlaubt Ihnen auch, potenzielle Zitate zu diesem Punkt zu akzeptieren, dass wir uns unsicher sind. Wenn Referenzen vollständig fehlen, können Sie sie über dieses Formular hinzufügen. Wenn die vollständigen Referenzen ein Element auflisten, das in RePEc vorhanden ist, aber das System nicht mit ihm verknüpft ist, können Sie mit diesem Formular helfen. Wenn Sie über fehlende Elemente wissen, können Sie uns helfen, diese Links zu erstellen, indem Sie die entsprechenden Referenzen in der gleichen Weise wie oben hinzufügen. Wenn Sie ein registrierter Autor dieses Artikels sind, können Sie auch die Registerkarte Zitate in Ihrem Profil überprüfen, da es einige Zitate gibt, die auf die Bestätigung warten. Bitte beachten Sie, dass Korrekturen einige Wochen dauern können, um die verschiedenen RePEc-Dienste zu filtern. Mehr Leistungen Folgen Serien, Zeitschriften, Autoren amp mehr Neue Papiere per E-Mail Neuzugänge zu RePEc abonnieren Autor-Registrierung Öffentliche Profile für Wirtschaftswissenschaftler Verschiedene Rankings der Forschung in Wirtschaftswissenschaften amp verwandte Bereiche Wer war ein Student von wem, mit RePEc RePEc Biblio Kuratierte Artikel amp Papiere zu verschiedenen Themen der Wirtschaftswissenschaften Hochladen Sie Ihr Papier auf RePEc und IDEAS aufgeführt werden EconAcademics Blog Aggregator für Ökonomie Forschung Plagiat Fälle von Plagiaten in der Wirtschaft Job-Marktpapiere RePEc Arbeitspapier-Serie für den Arbeitsmarkt Fantasy League Vortäuschen Sie sind an der Spitze einer Volkswirtschaft (287 KB) Ein autoregressiv-gleitendes Durchschnittsmodell, bei dem alle Wurzeln des autoregressiven Polynoms wechselseitige Abstände von Wurzeln des gleitenden mittleren Polynoms und umgekehrt sind Wird als Allpass-Zeitreihenmodell bezeichnet. All-Pass-Modelle sind nützlich für die Identifizierung und Modellierung nicht-kausalen und nichtinvertible autoregressive gleitende durchschnittliche Prozesse. Wir bilden die asymptotische Normalität und Konsistenz für rangbasierte Schätzer von Allpass-Modellparametern. Die Schätzer werden durch Minimierung der rangbasierten Restdispersionsfunktion erhalten, die von Jaeckel Ann. Mathe. Statist. 43 (1972) 1449x20131458. Diese Schätzer können die gleiche asymptotische Effizienz wie die Maximum-Likelihood-Schätzer aufweisen und sind robust. Das Verhalten der Schätzer für endliche Proben wird durch Simulation untersucht und die Rangschätzung wird bei der Dekonvolution eines simulierten Wasserpistolenseismogramms verwendet. Artikel Daten Zeitraum Erste in Projekt Euclid: 5 Juli 2007 Permanenter Link zu diesem Dokument projecteuclid. orgeuclid. aos1183667296 Digitale Objekt Identifikator doi: 10.1214009053606000001316 Andrews, Beth Davis, Richard A. Breidt, F. Jay. Rankbasierte Schätzung für All-Pass-Zeitreihenmodelle. Ann. Statist. 35 (2007), Nr. 2, 844 & ndash; 869. Doi: 10,1214009053606000001316. Projecteuclid. orgeuclid. aos1183667296. Referenz: Allal, J. Kaaouachi, A. und Paindaveine, D. (2001). R-Schätzung für ARMA-Modelle. J. Nichtparametr. Statist. 13 815-831. Andrews, B. Davis, R. A. und Breidt, F. J. (2006). Maximale Wahrscheinlichkeitsschätzung für All-Pass-Zeitreihenmodelle. J. Multivariate Anal. 97 1638--1659.Andrews, M. E. (2003). Parameterschätzung für All-Pass-Zeitreihenmodelle. Ph. D. Dissertation, Abt. Statistik, Colorado State Univ. Billingsley, P. (1999). Konvergenz der Wahrscheinlichkeitsmaße. 2. Aufl. Wiley, New York. Breidt, F. J. und Davis, R. A. (1992). Zeitreversibilität, Identifizierbarkeit und Unabhängigkeit von Innovationen für stationäre Zeitreihen. J. Zeit Ser. Anal. 13 377-390.Breidt, F. J. Davis, R. A. und Trindade, A. A. (2001). Minimale absolute Abweichungsschätzung für All-Pass-Zeitreihenmodelle. Ann. Statist. 29 919-946.Brockwell, P. J. und Davis, R. A. (1991). Zeitfolgen . Theorie und Methoden. 2. Aufl. Springer, New York. Chi, C.-Y. Und Kung, J.-Y. (1995). Ein neuer Identifikationsalgorithmus für Allpass-Systeme durch höherwertige Statistiken. Signalverarbeitung 41 239--256.Chien, H.-M. Yang, H.-L. Und Chi, C.-Y. (1997). Parametrische kumulationsbasierte Phasenschätzung von 1-D und 2-D nichtminimalen Phasensystemen durch Allpassfilterung. IEEE Trans. Signalverarbeitung 45 1742--1762. Davis, R. A. Knight, K. und Liu, J. (1992). M-Schätzung für Autoregressionen mit unendlicher Varianz. Stochastischer Prozess. Appl. 40 145-180.Giannakis, G. B. und Swami, A. (1990). Zur Schätzung nichtkausaler nichtminimaler Phase ARMA-Modelle nicht-Gaußscher Prozesse. IEEE Trans. Akust Sprachsignalprozess. 38, 478-495. Hallin, M. (1994). Auf der Pitman-Unzulässigkeit von Korrelogram-basierten Methoden. J. Zeit Ser. Anal. 15 607-611.Huang, J. and Pawitan, Y. (2000). Quasi-Likelihood-Schätzung nicht-invertierbarer gleitender Durchschnittsprozesse. Scand J. Statist. 27, 689-702.Jaeckel, L. A. (1972). Schätzen von Regressionskoeffizienten durch Minimierung der Streuung der Residuen. Ann. Mathe. Statist. 43 1449-1458.Jurex10DkovxE1, J. and Sen, P. K. (1996). Robuste statistische Verfahren. Asymptotik und Zusammenhänge. Wiley, New York. Mathematical Reviews (MathSciNet): MR1387346 Koul, H. L. und Ossiander, M. (1994). Schwache Konvergenz von zufällig gewichteten abhängigen Residualen mit Anwendungen auf Autoregression. Ann. Statist. 22 540-562.Koul, H. L. und Saleh, A. K. Md. E. (1993). R-Schätzung der Parameter autoregressiver mathrmAr (p) - Modelle. Ann. Statist. 21 534-0551.Koul, H. L. Sievers, G. L. und McKean, J. W. (1987). Eine Schätzung des Skalierungsparameters für die Ranganalyse linearer Modelle unter allgemeinen Scorefunktionen. Scand J. Statist. 14 131--141.Mathematical Reviews (MathSciNet): MR0913258 Lii, K.-S. Und Rosenblatt, M. (1988). Nicht-minimale nicht-Gaußsche Dekonvolution. J. Multivariate Anal. 27 359 - 374. Mukherjee, K. und Bai, Z. D. (2002). R-Schätzung in der Autoregression mit quadratisch integrierbarer Scorefunktion. J. Multivariate Anal. 81, 167-186. Robinson, P. M. (1987). Zeitreihe Residuen mit Anwendung auf Wahrscheinlichkeitsdichte Schätzung. J. Zeit Ser. Anal. 8 329-344.Silverman, B. W. (1986). Dichteabschätzung für Statistik und Datenanalyse. Chapman und Hall, London. Terpstra, J. T. McKean, J. W. und Naranjo, J. D. (2001). Gewichtete Wilcoxon Schätzungen für Autoregression. Aust. N. Z. J. Stat. 43 399--419.Mathematical Reviews (MathSciNet): MR1872200
No comments:
Post a Comment