The role of initial values in nonstationary fractional time series models
Notice bibliographique
Résumé
In this paper, we analyze the influence of observed and unobserved initial values on the bias of the conditional maximum likelihood or conditional sum-of-squares (CSS, or least squares) estimator of the fractional parameter,d, in a nonstationary fractional time series model. The CSS estimator is popular in empirical work due, at least in part, to its simplicity and its feasibility, even in very complicated nonstationary models. We consider a process,Xt, for which data exist from some point in time, which we call –N0+ 1, but we only start observing it at a later time,t= 1. The parameter (d,μ,σ2) is estimated by CSS based on the model ${\rm{\Delta }}_0^d \left( {X_t - \mu } \right) = \varepsilon _t ,t = N + 1, \ldots ,N + T$ , conditional onX1,...,XN. We derive an expression for the second-order bias of $\hat d$ as a function of the initial values,Xt,t= –N0+ 1,...,N, and we investigate the effect on the bias of setting aside the firstNobservations as initial values. We compare $\hat d$ with an estimator, $\hat d_c $ , derived similarly but by choosingμ=C. We find, both theoretically and using a data set on voting behavior, that in many cases, the estimation of the parameterμpicks up the effect of the initial values even for the choiceN= 0. IfN0= 0, we show that the second-order bias can be completely eliminated by a simple bias correction. If, on the other hand,N0> 0, it can only be partly eliminated because the second-order bias term due to the initial values can only be diminished by increasingN.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».