×

用周期平均估计分数Ornstein-Uhlenbeck过程中的漂移参数。 (英语) Zbl 1369.62214号

摘要:我们构造了具有周期平均函数和长程相关的分数阶Ornstein-Uhlenbeck过程漂移参数的最小二乘估计。对于这个估计量,我们证明了相合性和渐近正态性。与没有周期平均函数的经典分数阶Ornstein-Uhlenbeck过程相比,根据Hurst参数(H),即(n^{1-H}),收敛速度较慢。

MSC公司:

2009年6月26日 非马尔可夫过程:估计
60G22型 分数过程,包括分数布朗运动
60 H10型 随机常微分方程(随机分析方面)
PDF格式BibTeX公司 XML格式引用

参考文献:

[1] Bercu B,Coutin L,Savy N(2011)分数Ornstein-Uhlenbeck过程的尖锐大偏差。理论概率应用55:575-610·兹比尔1252.60026 ·doi:10.137/S0040585X97985108
[2] Brouste A,Kleptsyna M(2010)部分观测分数扩散系统MLE的渐近性质。统计推断Stoch过程13:1-13·Zbl 1205.60142号 ·doi:10.1007/s11203-009-9035-x
[3] Cheridito P、Kawaguchi H、Maejima M(2003)《分数Ornstein Uhlenbeck过程》。电子J探针8:1-14·Zbl 1065.60033号 ·doi:10.1214/EJP.v8-125
[4] Cialenco I,Lototsky SV,Pospisil J(2009)具有加性分数布朗运动的随机抛物方程的最大似然估计的渐近性质。斯托奇·戴恩9:169-185·兹比尔1176.62019 ·doi:10.1142/S0219493709002610
[5] Dasgupta A,Kallianpur G(1999)多重分数积分。概率论相关字段115:505-525·Zbl 0948.60022号 ·doi:10.1007/s004400050247
[6] Diether M(2012)周期性扩散的小波估计。统计推断Stoch过程15:257-284·Zbl 1333.62110号 ·doi:10.1007/s11203-012-9070-x
[7] Dehling H,Franke B,Kott T(2010)周期平均回归过程的漂移估计。统计推断Stoch过程13:175-192·Zbl 1209.60047号 ·doi:10.1007/s11203-010-9045-8
[8] Franke B,Kott T(2013)时间非均匀跳跃扩散过程漂移的参数估计。统计Neerl 67:145-168·doi:10.1111/j.1467-9574.2012.00537.x号文件
[9] Höpfner R,Kutoyants YA(2009)时间非均匀扩散中参数化连续周期信号的局域网。统计拒绝27:309-326·Zbl 1202.62107号
[10] Hu Y,Nualart D(2010)分数Ornstein-Uhlenbeck过程的参数估计。统计概率快报80:1030-1038·Zbl 1187.62137号 ·doi:10.1016/j.spl.2010.02.018
[11] Kleptsyna ML,Le Breton A(2002)分数Ornstein-Uhlenbeck型过程的统计分析。统计推断Stoch过程5:229-248·Zbl 1021.62061号 ·doi:10.1023/A:1021220818545
[12] Mandelbrot BB,Van Ness JW(1968)分数布朗运动,分数噪声和应用。SIAM版本10:422-437·Zbl 0179.47801号 ·数字对象标识代码:10.1137/1010093
[13] Nualart D(2006)Malliavin微积分和相关主题。柏林施普林格·Zbl 1099.60003号
[14] Nourdin I,Peccati G(2012)《Malliavin演算的正态逼近:从Stein方法到普适性》。剑桥大学出版社·Zbl 1266.60001号 ·doi:10.1017/CBO9781139084659
[15] Shiryaev AN(1995)《概率》,第二版。纽约州施普林格·Zbl 0835.60002号
[16] Samorodnitsky G,Taqqu MS(1994)稳定非高斯随机过程。查普曼和赫尔,纽约·Zbl 0925.60027号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。