首页/论文/0811.1917

arXiv 0811.19172008-11-12math.STmath.PRstat.TH

自回归过程的聚集与长记忆

Aggregation of autoregressive processes and long memory

Didier Dacunha-Castelle, Lisandro J. Fermín

备注：: 15 pages, 2 figures

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

本文研究了AR过程和广义Ornstein-Uhlenbeck过程的集结。随机极点的混合谱密度是主要的工具。在这种情况下，我们将我们的结果应用于双随机相互作用过程的聚合，参见Dacunha-Castelle和Fermin（2006）。因此，我们研究自回归过程的聚集和长记忆之间的关系，考虑复杂的相互作用结构。我们精确的一个非常有趣的定性现象：如何长的记忆创建取决于极点浓度附近的边界的稳定性（测量Prokhorov意义上）。我们的结果推广了Oppenheim和Viano（2004）的结果，并强调了极点的角色散度量在长记忆出现中的重要性。

英文摘要：

We study the aggregation of AR processes and generalized Ornstein-Uhlenbeck (OU) processes. Mixture of spectral densities with random poles are the main tool. In this context, we apply our results for the aggregation of doubly stochastic interactives processes, see Dacunha-Castelle and Fermin (2006). Thus, we study the relationship between aggregation of autoregressive processes and long memory considering complex interaction structures. We precise a very interesting qualitative phenomena: how the long memory creation depends on the poles concentration near to the boundary of stability (measured in the Prokhorov sense). Our results extends the results given by Oppenheim and Viano (2004), and highlight the importance of the angular dispersion measure of poles in the appearance of the long memory.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

各向同性自回归场的集结

Aggregation of isotropic autoregressive fields

本注释构成对Azomahou，JSPI，139：2581-2597文章的更正。研究了具有随机系数的格点上各向同性四近邻自回归模型的集结问题。对AR系数的一大类规律，详细研究了所得随机场的谱密度。根据这一定律，聚合场可以表现出短记忆或各向同性长记忆。

2011-06-14math.PRmath.STstat.TH

长记忆过程与AR的集结（1）随机过程：一个新的刻画

Long-memory process and aggregation of AR(1) stochastic processes: A new characterization

单个AR（1）随机过程的同时聚合可能导致极限聚合时间序列的不同性质，特别是长记忆性（Granger，1980）。我们提供了一个新的自回归系数，这是从总随机过程的极限的Wold表示定义的一系列表征，在存在的长记忆功能。特别是由聚合过程的几乎必然表示定义的无穷自回归随机过程在长记忆性存在时具有单位根。最后，我们讨论了一些例子，使用一些著名的密度函数的自回归随机参数的集结文献。JEL分类代码：C2、C13。

2015-08-08math.CVmath.PRmath.ST

自回归随机场的聚集与各向异性长程相关

Aggregation of autoregressive random fields and anisotropic long-range dependence

我们引入了定常随机场$Y$在$\mathbb {Z}^2$上的标度跃迁和分布长程依赖的概念，对于任意的$γ>0$，其在边以速率$O(n)$和$O(n^γ)$增长的矩形上的归一化部分和趋向于一个标度$\mathbb {R}^2$上的随机场$V_γ$的算子.缩放转换的特征在于存在唯一的$γ_0>0$，使得缩放极限$V_γ$不同，并且对于$γ>γ_0$和$γ<γ_0$不依赖于$γ$。证明了在$\mathbb{Z}^2$上一类$α$-稳定的$(1<α\le2)$聚集最近邻自回归随机场的标度转换以及各向异性和各向同性分布长程相关性质的存在性，其中标量随机系数$A$在$A=1$的"单位根"附近具有规则变化的概率密度.

2016-06-23math.STstat.TH

非平稳次线性过程的预报集结及时变自回归过程的在线自适应预报

Aggregation of predictors for nonstationary sub-linear processes and online adaptive forecasting of time varying autoregressive processes

在这项工作中，我们研究了非平稳次线性过程的聚集有限个预测的问题。我们提供的预言不等式主要依赖于三个成分：（1）时变次线性系数的$\ell^1$范数的一致界，（2）预测的Lipschitz假设和（3）出现在线性表示中的噪声的矩条件。考虑了两种聚合对噪声的矩条件不同，以及不同程度的尖锐预言不等式。我们应用这种方法来获得局部平稳时变自回归（TVAR）过程的自适应预测。它是通过聚集有限数量的精心选择的预测，他们每个人都享有最佳的极小极大收敛速度下的TVAR系数的特定光滑条件。我们表明，所获得的聚合预测达到了极大极小率，同时适应未知的平滑。为了证明这一结果，TVAR过程的预测风险的极小极大率的下界建立。数值实验完成了这项研究。这种方法的一个重要特征是聚合预测器可以递归计算，因此适用于在线预测环境。

2015-11-17math.STstat.MLstat.TH

聚合和长记忆：最近的发展

Aggregation and long memory: recent developments

众所周知，聚合的时间序列可能具有与单个序列非常不同的属性，特别是长记忆性。目前，聚合已成为长记忆过程建模的主要工具之一。我们回顾最近的工作同期聚集的随机系数AR（1）和相关的模型，特别关注各种长记忆特性的聚集过程。

2013-06-14math.STstat.TH

时间序列聚合、分解与长记忆

Time series aggregation, disaggregation and long memory

研究了随机参数AR（1）过程的聚集/解聚问题及其与长记忆现象的关系。我们给出了一个子类的聚合过程，可以从简单的，“小学”，情况下的一个特征。在混合密度的特定情况下，聚合过程的结构（移动平均表示）进行了研究。

2007-02-27math.STstat.TH

更多相关论文收起更多论文

长短记忆时间序列的剩余经验过程

Residual empirical processes for long and short memory time series

研究了长记忆和短记忆时间序列回归模型的残差经验过程，并在一般框架下建立了残差经验过程的一致展开式。将所得结果应用于随机回归模型和不稳定自回归模型。对于长记忆噪声，本文证明了Ho和Hsing [Ann. Statistist. 24（1996）992-1024]在随机回归模型包括未知截距或不稳定自回归模型的特征多项式具有单位根时不成立。为此，提出了两个新的统计量来检验随机回归模型和不稳定自回归模型的长记忆噪声的分布。(With更正。）

2012-11-15math.STstat.TH

连续时间自回归分数积分滑动平均过程

On continuous-time autoregressive fractionally integrated moving average processes

本文考虑了一个连续时间自回归分数积分滑动平均（CARFIMA）模型，它被定义为由标准分数布朗运动驱动的随机微分方程的平稳解.与离散时间ARFIMA模型一样，CARFIMA模型也适用于研究具有短记忆、长记忆和反持续性的时间序列。我们研究了模型的平稳性，并推导出其协方差结构。此外，我们还导出了平稳CARFIMA过程的谱密度函数。

2009-02-09math.STstat.TH

分数阶自回归空间过程的参数估计

Parameter estimates for fractional autoregressive spatial processes

一个二项式型运营商的平稳高斯过程中引入，以模拟长记忆的空间背景下。模型参数的一致估计证明。特别是，它表明，$\hat{d}_N-d=O_P(\frac{(\operatorname {Log}N)^3}{N})$，其中$d=(d_1,d_2)$表示长记忆参数。

2006-03-06math.STstat.TH

具有长记忆算子的Hilbert值分数次积分自回归滑动平均过程

Hilbert valued fractionally integrated autoregressive moving average processes with long memory operators

分数积分自回归滑动平均（FIARMA）过程已被广泛和成功地用于建模和预测具有长程相关性的单变量时间序列。这些过程的向量和功能扩展最近也被考虑。在这里，我们研究这些过程的情况下，在可分的希尔伯特空间H 0的过程中，依靠谱域的方法。在此框架下，通常的单变量长记忆参数d被作用在H 0上的长记忆算子D所取代，从而得到一类H 0值FIARMA（D，p，q）过程，其中p和q是AR和MA多项式的次数.当D是正规算子时，给出了H_0值ARMA（p，q）过程的D-分数次积分定义良好的充要条件.然后，我们推导出一类因果FIARMA过程的最佳预测器，并研究如何从有限样本的过程中一致地估计这个最佳预测器。为此，我们提供了一个一般的结果，二次泛函的周期图，顺便产生一个结果的独立利益。也就是说，对于任何遍历平稳过程值在H 0有限的二阶矩，经验自协方差算子收敛，在迹范数，真正的自协方差算子几乎肯定在每个滞后。

2022-10-06math.FAmath.STstat.TH

论长记忆的起源与预测视界

On Long Memory Origins and Forecast Horizons

大多数长记忆预测研究假设记忆是由分数差分算子产生的。我们认为，最被引用的理论参数的存在长记忆并不意味着分数差分算子，并评估的自回归分数积分移动平均$(ARFIMA)$模型的性能时，预测序列与长记忆产生的非分数过程。我们发现高阶自回归$(AR)$模型在短期内产生类似或优于$ARFIMA$模型的预测性能。尽管如此，随着预测范围的增加，$ARFIMA$模型往往在预测性能上占主导地位。因此，$ARFIMA$模型非常适合于长记忆过程的预测，无论长记忆的产生机制，特别是中期和长期的预测范围。此外，我们分析了异质自回归（$HAR$）模型的预测性能，它对高阶$AR$模型施加了限制。我们发现，结构强加的$HAR$模型产生更好的长期预测比$AR$模型相同的顺序，在价格低劣的短期预测在某些情况下。我们的研究结果有影响，除其他外，气候计量经济学和金融计量经济学模型处理长记忆系列在不同的预测范围。我们在一个例子中表明，虽然短记忆自回归移动平均$(ARMA)$模型在预测标准普尔500指数的已实现方差时给出了最佳性能，但在未来一个月内，$ARFIMA$模型在较长的预测范围内给出了最佳性能。

2017-12-21econ.EMmath.STstat.TH

具有无穷方差的随机系数AR（1）过程的联合时间和同期集结

Joint temporal and contemporaneous aggregation of random-coefficient AR(1) processes with infinite variance

本文讨论了独立同分布驱动的随机系数AR（1）过程的$N$独立拷贝的联合时间聚集和同期聚集。在$α$稳定分布$0< α\le 2$的正态吸引域中的创新，因为$N$和时间尺度$n$两者可能以不同的速率趋于无穷大。假设随机自回归系数的尾分布函数在单位根处以$β> 0$为指数有规律地变化，证明了对于$β< \max (α, 1)$，联合骨料表现出多种稳定和非稳定的极限行为，其稳定性指标依赖于$α$、$β$以及$N$和$n$的互增率.本文将Pilipauskaitsmann和Surgailis（2014）的结果从$α= 2$扩展到了$0 < α< 2$。

2019-11-08math.STstat.TH

非分数记忆：滤波、反持续性与预测

Nonfractional Memory: Filtering, Antipersistence, and Forecasting

本文针对分数差分与实际长记忆缺乏理论联系的问题，提出基于截面聚合生成并预测长记忆的快速算法，揭示其无负阶反持续性并影响频域检验，同时评估高阶 AR 与 ARFIMA 的预测表现。

2018-01-20econ.EMmath.STstat.TH

ARMA和短记忆过程偏自相关系数的指数衰减率

Exponential decay rate of partial autocorrelation coefficients of ARMA and short-memory processes

我们提出了一个简短的证明的事实，即指数衰减率的偏自相关系数的短记忆过程，特别是ARMA过程，等于指数衰减率的系数的无限自回归表示。

2016-01-04math.STstat.TH

季节性长记忆聚集时间序列的推断

Inference of seasonal long-memory aggregate time series

具有定期和/或季节性长记忆的时间序列数据通常在分析之前进行汇总。通常，聚合规模足够大，可以消除潜在过程中的任何短期记忆成分，但太短，无法消除更长时期的季节性模式。在本文中，我们调查的限制相关结构的聚合时间序列的中间渐近框架内，试图捕捉上述采样方案。特别地，我们研究了离散时间过程中聚集体的自相关结构和谱密度函数。底层离散时间过程被假定为一个平稳的季节性自回归分数积分移动平均（SARFIMA）过程，经过适当数量的差分，如果必要的话，和底层过程的季节周期是聚合大小的倍数。我们推导出的聚合物的归一化谱密度函数的限制，随着聚集。限制聚合（季节性）长记忆模型，然后可能是有用的分析聚合的时间序列数据，这可以通过最大化的惠特尔可能性估计。证明了极大Whittle似然估计（谱极大似然估计）的相合性和渐近正态性，并通过模拟研究了它的有限样本性质。所提出的方法的有效性说明了现实生活中的互联网流量的例子。

2012-11-23math.STstat.TH

长记忆高斯噪声驱动下非零均值AR（1）模型的矩估计

Moment estimator for an AR(1) model with non-zero mean driven by a long memory Gaussian noise

本文考虑了长记忆平稳高斯过程驱动的一阶非零均值自回归过程的一个推断问题。假设当$k$趋于无穷大时，噪声的协方差函数可以表示为$|k|^{2H-2}$乘以一个正常数，分数高斯噪声和分数ARIMA模型是满足该假设的特例。我们提出了矩估计，并证明了强相合性、渐近正态性和联合渐近正态性。

2022-08-03math.STstat.TH

长记忆时间序列的矩界和均方预测误差

Moment bounds and mean squared prediction errors of long-memory time series

本文给出了具有任意未知记忆参数的一般自回归分数积分滑动平均（ARFIMA）模型的归一化条件平方和（CSS）估计的矩界.为了实现这一目标，建立了归一化目标函数的逆的统一矩界。这些结果的一个重要应用是建立CSS预测器的一步和多步均方预测误差（MSPE）的渐近表达式。这些渐近表达式不仅明确地展示了CSS预测器的多步MSPE如何与模型复杂性和依赖结构一起体现，而且还提供了比较CSS预测器与最小二乘（LS）预测器的性能的方法。结果表明，当积分阶数较高时，CSS预测器可以获得比LS预测器更大的优势。数值结果也进行了说明的理论结果。

2013-07-08math.STstat.TH