长程依赖和自相似性估计量在非高斯条件下的稳健性
摘要：长程依赖和非高斯性在生态系统、生物系统和气候等许多自然系统中普遍存在。然而，人们并不总是意识到这两个现象在自然系统中可能同时发生，并且系统中的自相似性可以是这两个现象的叠加。这些特征在复杂系统中很常见，影响趋势的归因以及极端事件的发生和聚集。对具有这些特性的系统的风险评估将导致与极端事件独立的常见假设不同的结果（例如，重现期）。文章讨论了两个能同时解释长程依赖和非高斯性的典型模型：自回归分式积分滑动平均模型（ARFIMA）和线性分式稳定运动模型（LFSM）。对于长程依赖和自相似性估计器的统计特性进行了重点评估。发现在许多自然系统的重要特征（如趋势和乘法噪声）存在时，最流行的估计器可能存在偏差。还讨论了两个典型自然时间序列的长程依赖和非高斯性。
作者：Christian L. E. Franzke, Timothy Graves, Nicholas W. Watkins, Robert B. Gramacy and Cecilia Hughes
论文ID：1101.5018
分类：Data Analysis, Statistics and Probability
分类简称：physics.data-an
提交时间：2015-03-18