[论文解读] Wavelet estimation of the long memory parameter for Hermite polynomial of Gaussian processes
本文研究了非高斯过程（作为高斯过程的埃尔米特多项式构造）中长记忆参数的基于小波的估计。研究发现，即使原始过程是高于二阶的埃尔米特多项式，小波标量图的渐近分布仍收敛于一个非高斯的罗森布拉特过程（二阶），这是由于维纳混沌展开结构以及小波系数在大尺度下的行为所致。
We consider stationary processes with long memory which are non-Gaussian and represented as Hermite polynomials of a Gaussian process. We focus on the corresponding wavelet coefficients and study the asymptotic behavior of the sum of their squares since this sum is often used for estimating the long-memory parameter. We show that the limit is not Gaussian but can be expressed using the non-Gaussian Rosenblatt process defined as a Wiener It\\^o integral of order 2. This happens even if the original process is defined through a Hermite polynomial of order higher than 2.
研究动机与目标
- 分析由高斯过程的埃尔米特多项式导出的非高斯长记忆过程的小波标量图的渐近行为。
- 将基于小波的估计方法扩展至高斯过程之外，特别是适用于非高斯自相似和长程依赖过程。
- 为小波系数建立极限定理，以支持长记忆参数 $ d $ 的半参数估计。
- 阐明维纳混沌分解在确定小波标量图极限分布中的作用。
提出的方法
- 作者将过程 $ Y_t $ 建模为具有长程依赖性的平稳高斯过程 $ X_t $ 的 $ q_0 $ 阶埃尔米特多项式。
- 通过在尺度 $ j $ 处与小波滤波器 $ h_j $ 进行卷积来定义小波系数 $ W_{j,k} $，其中 $ j \to \infty $ 且 $ n \to \infty $。
- 在半参数设定下，对小波标量图 $ S_{n,j} = \frac{1}{n} \sum_{k=0}^{n-1} W_{j,k}^2 $ 进行渐近分析。
- 利用维纳混沌理论和复值多重伊藤-维纳积分的工具，推导出归一化标量图的极限分布。
- 使用多重伊藤-维纳积分的乘积公式（命题 B.1），将小波系数的乘积分解为正交混沌分量。
- 分析表明，极限并非高斯分布，而是一个与二阶罗森布拉特过程相关的非退化非高斯过程。
实验结果
研究问题
- RQ1当非高斯长记忆过程由高斯过程的埃尔米特多项式构造时，其小波标量图的渐近分布是什么？
- RQ2当底层过程为非高斯时，即使埃尔米特多项式阶数超过 2，标量图的极限分布是否仍保持高斯性？
- RQ3维纳混沌分解的结构如何影响长记忆设定中小波标量图的极限？
- RQ4是否可以使用标量图对非高斯过程中的长记忆参数 $ d $ 进行一致的小波估计，其极限分布是什么？
- RQ5罗森布拉特过程在阶数 $ q_0 > 2 $ 的埃尔米特过程的小波标量图渐近理论中起什么作用？
主要发现
- 长记忆高斯过程的 $ q_0 \geq 2 $ 阶埃尔米特多项式的小波标量图的归一化渐近分布是非高斯的。
- 极限是一个非退化的随机变量，可表示为二阶伊藤-维纳积分，即罗森布拉特过程。
- 即使原始过程是高于二阶的埃尔米特多项式，该非高斯极限仍会出现，这是由于二阶混沌分量主导了渐近行为。
- 该结果在半参数设定下成立，无需对谱密度的参数形式作假设，仅需满足长记忆行为 $ f(\lambda) \sim |\lambda|^{-2d} $。
- 标量图收敛于罗森布拉特过程意味着不能直接将基于高斯分布的小波估计推断方法应用于此类非高斯过程。
- 理论框架依赖于多重伊藤-维纳积分乘积公式的复值扩展，该结果在本文中得到了严格证明。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。