论文部分内容阅读
实际生活中,我们通常会遇到整数值时间序列,如购物商场的售出商品数量、每月保险理赔的次数、股票市场每日的交易次数等.由此整数值时间序列在近年来获得越来越多统计工作者的关注.本文前面部分研究了几类二元泊松整数值广义自回归条件异方差模型的统计推断问题.首先,基于二元泊松分布的另一种定义将一元整数值广义自回归条件异方差模型推广到二元泊松情形,其模型突出的优点是允许序列的正负交叉相关性,随后考虑最大似然估计量的渐近性质并通过数值模拟和实例分析来验证该模型的可行性.其次,基于copula函数的广泛应用,我们提出一类构造灵活的二元泊松INGARCH模型,这类模型依然可以允许刻画序列的正负交叉相关性.我们详细介绍三种估计参数的方法:分部最大化算法、修正分部最大化算法和源于R程序包的TMB(Template Model Builder,暂译为模板模型构建器)算法,并给出了具体的数值模拟.我们建立了基于前两种方法得出的估计量的渐近性质,同时通过实际例子说明了该类模型的优良性.另一方面,以往的文献中大多数讨论时间域上的变点检测问题,然而状态域上的变点也在不同的领域中广泛存在.例如,从物理层面来看水在零摄氏度以下会结成冰,在经济领域上增长阶段和衰减阶段是由不同的动态结构所驱动的.因此在时间序列的状态域上进行变点检测是至关重要的.本文的后面部分基于非参数回归模型来分析,首先介绍一种以密度函数为权重的反对称核函数,并根据其函数特征来构造一种新的检验统计量.随后讨论状态域上变点的存在性以及变点位置和个数的估计方法,通过数值模拟验证假设检验以及变点估计的稳健性.最后通过两组实际数据来阐述检测状态域变点存在性的重要作用.