Modellwahl und statistische Inferenz in nicht- und semiparametrischen Autoregressionsmodellen

《时代周刊》中的Für komplexe Datensätze in der ZeitreihenAnalyst erweisen sich kassische Lineare Modellierungen(ARMA Modelle)of als zu restriktiv.[中英文摘要][中英文摘要]从80er Jahre einige Nechtline到Komplexere parometrische Modellierungen der AutoregressFunction and Fehlerstrukut(ARCH，GARCH Modelle，...)弗格斯施拉根。Wurden in den Letzten Jahren NICHTPARAMETETRISCHE ANSätze Verfolgt，D.H.Anansätze，in denen zum beispiel die Gestalt der zu Schätzenden AutoregressFunktion night ch Parketrische Annahmen eingt wird.从统计数据的角度来看，这是一项非常重要的工作。De Inferenz erfordert zunächst den einsat z Spezieller Schätz-und Testverfahren.达乌夫·奥夫鲍德·索伦·莫代尔瓦尔·弗法伦·恩维克尔特。在模拟过程中实现了对柴油的重新采样，并对其进行了处理。在此基础上进行了柴油机模拟实验。

Für komplexe Datensätze in der Zeitreihenanalyse erweisen sich klassische lineare Modellierungen (ARMA Modelle) oft als zu restriktiv. Insbesonders motiviert durch ökonomische Anwendungen wurden seit Beginn der 80er Jahre einige nichtlineare komplexere parametrische Modellierungen der Autoregressionsfunktion und Fehlerstruktur (ARCH, GARCH Modelle, ...) vorgeschlagen. Weitergehend wurden in den letzten Jahren nichtparametrische Ansätze verfolgt, d.h. Ansätze, in denen zum Beispiel die Gestalt der zu schätzenden Autoregressionsfunktion nicht durch parametrische Annahmen eingeengt wird. Gegenstand dieses Projektes ist die statistische Inferenz über verschiedene nichtparametrische Modelle für Zeitreihen. Die Inferenz erfordert zunächst den Einsatz spezieller Schätz- und Testverfahren. Darauf aufbauend sollen Modellwahlverfahren entwickelt werden. Die Implementierung dieser Verfahren soll durch Simulationstechniken (Resamplingverfahren, Bootstrapverfahren) geschehen. Die Konsistenz dieser Simulationsverfahren soll mathematisch untersucht werden.