一类平稳过程的极限性质-附件6.DOC

附件6 论文中英文摘要 作者姓名：刘卫东 论文题目：一类平稳过程的极限性质 作者简介：，男，年月出生，年月师从于大学教授，于年月获博士学位。 是独立同分布随机元，g 是一个可测函数, 使得 （1） 是一个有定义的随机变量。 是一个平稳causal 过程. 它代表了一大类过程, 包括线性过程和各种非线性过程. 通常有两种方法处理 (1) 中的 causal 过程. 第一种是先验证 满足各种混合条件. 在适当的条件下, 我们可能证明 满足-混合性或-混合性等(对于线性过程, 见Chanda (1974); 对于GARCH 过程见Basrak 等(2002)). 然后利用一些已有的关于混合随机变量的定理, 在各种关于 的统计推断中, 可以得到许多极限定理. 然而一般来说混 合系数的计算是不容易的。此外, 许多过程都不是-混合的。处理 (1) 中的的另一种方法就是鞅逼近. 鞅逼近方法是非常有效的, 并且常常在文献中被采用. 这种方法的直观描述就是用鞅差来逼近. 鞅方法最先在Gordin (1969), Gordin 和Lifsic (1978) 中被应用, 此后经历了很大的改进. 在极限理论和统计推断中, 鞅方法通常可以导出非常漂亮且有用的定理。 然而, 一些通过鞅方法获得的结果并不是最优的, 比如强不变原理的收敛速度. 实际上, 用鞅嵌入方法来获得强不变原理的最优速度存在着本质的困难. 另外, 如果我们考虑的极限定理的证明非常依赖于独立性(比方说, 高斯逼近), 鞅方法可能不是一个最好的选择。 为了克服上面提到的困难, 我们将介绍另外一种方法 ( m 相依逼近) 来处理定义于 (1) 中的平稳过程。我们用 来逼近以及用来逼近。 在第一章中，我们证明了关于相依随机变量部分和的强不变原理。强不变原理是非常有用的. 尤其在涉及到统计推断的问题中, 它往往起到非常重要的作用. 鞅嵌入方法通常被采用来处理这类 causal 过程的强逼近的问题；如 Wu (2007), Ann. Probab。然而用鞅逼近方法所得到的结果很多时候并不是最优的。假设满足 (1), 在，，，以及其他一些关于的相依性条件下，Wu (2007) 证明了。利用m 相依逼近, 我们证明在一定条件下，速度可以被改进为最优速度。 同时我们也将本章的结果与一些已有的定理 (如Aue 等(2006) Bernoulli, Wu (2007)) 进行了比较, 并对它们进行了改进, 减弱了它们所需要的矩条件或者相依性条件. 此外我们还把主要结果应用到一些特殊的时间序列上, 例如线性过程的泛函, GARCH 过程, 广义随机系数自回归模型等等. 对于这些过程, 我们得到了强逼近的最优速度, 并且获得最优速度的条件在某种程度上来说是最优的. 本章的内容发表于Stochastic Processes and their Applications。 在第二章中, 我们证明了定义于 (1) 的 的周期图最大值的极限定理. 设 ，。 它是随机变量的周期图。周期图是时间序列谱分析的基础. 在关于时间序列周期成分的统计推断中, 周期图的渐近性质发挥了很大的作用 (可参考Fan 和 Yao (2003))。定义周期图的最大值，其中，，是谱密度。统计量有着许多的实际应用，比如可以用它来检验基因表达的时间序列中的周期现象。运用 m 相依逼近，我们证明了，其中G 服从标准的Gumbel 分布。我们的结果改进了 Davis 和 Mikosch (1999), Ann. Probab 的一些关于独立随机变量和线性过程周期图最大值的结果，并解决了他们的一个猜想。同时还将他们的定理推广到了一大类非线性模型上 (如 GARCH 模型)。在证明过程中，我们利用 m 相依逼近克服了从线性过程到非线性过程中所遇到的困难。本章内容发表于The Annals of Statistics。 第三章研究了平稳过程的谱密度估计的渐近性质。谱密度估计在谱理论里是一个非常重要的问题, 并且已经存在着大量的研究(可参考Fan 和 Yao (2003)). 然而先前的一些结果通常需要严格的条件。设，是一个偶函数，是一列正整数满足，。定义谱密度估计 。 为了建立的渐近正态性, Brillinger (1969) 假设 的所有阶矩都存在, 并且所有阶累积量是可加的。 Anderson (1971) 考虑了线性过程。Rosenblatt (1984)考虑了强混合过程, 同时他假设8 阶累积量的和是有限的. 对于非线性时间序列, 关于谱密度估计的渐近性质的研究并不多。本章的研究表明 m 相