Composite likelihood inference of fractional Gaussian processes with sequentially optimal subset selection
创建于 更新于
摘要
本研究将复合似然框架用于分数高斯过程的参数推断，推导了 fBm/fGn 的 Fisher 信息和 Godambe 信息，并给出一种逐步最大化 Godambe 信息的序列化子集设计，以在估计精度与计算成本之间取得权衡。通过数值仿真比较与现实数据（股票指数波动率与风速时间序列）的应用，验证在固定子集大小时，采用连续子集的设计可显著提升估计稳定性并降低计算量，且当子集尺寸达到全样本时趋同最大似然估计 [page::1][page::3][page::7][page::9]。
