Estimating the mean and its effects on Neyman smooth tests of normality for ARMA models
Notice bibliographique
Résumé
Abstract Goodness‐of‐fit tests represent an important part of any model building strategy. In time series modelling, many test procedures concentrate on specifying the model structure. However it is also of interest to check distributional assumptions. In autoregressive moving‐average (ARMA) time series models, available results based on the smooth test paradigm assume that the mean of the process is known. However in practical applications, the mean is unknown and it needs to be estimated. Under general assumptions on the estimation procedures, the asymptotic distributions of the smooth test statistics based on estimation of all the parameters, including the mean, are derived. Surprisingly it is found that mean estimation has an impact on the asymptotic behaviours. This finding is in sharp contrast with portmanteau test procedures, where the degrees of freedom of the approximate distributions remain unchanged whether the mean is estimated or not. The test statistic relies on the order of the family, and a data‐driven choice of that parameter is discussed, giving a fully automatic testing procedure. Theoretical and empirical comparisons between the smooth test statistic assuming a known mean and the new test statistic are presented. Consistency is studied. In a simulation study, the effects of assuming incorrectly the mean being known are illustrated. An application using annual data on the productivity of potatoes (per acre) in Prince Edward Island for the time period 1957–2014 illustrates the procedure. The Canadian Journal of Statistics 44: 241–270; 2016 © 2016 Statistical Society of Canada
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».