Estimation of time series by Maximum Mean Discrepancy
基于最大均值差异的时间序列估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：题名明确研究时间序列估计，摘要进一步讨论动态潜变量过程和混合依赖条件，因此对应时间序列方法方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
基于最大均值差异的时间序列估计
- 研究问题
- 对于具有依赖性且参数模型分布可能难以直接计算的时间序列，如何构造可模拟实现并对模型误设具有稳健性的估计？
- 方法与思路
- 作者最小化经验分布与参数模型分布之间的近似最大均值差异，提出两个最小距离估计量，并以模拟近似难解分布。
- 材料陈述的贡献
- 摘要称在绝对正则、即 beta-mixing 框架下建立非渐近和大样本性质，模拟展示相对标准方法的误设稳健性。
- 阅读关注点
- 应核对核函数和距离近似的选择、混合条件、模拟误差与样本误差的关系，以及误设下估计目标如何定义。
- 阅读边界
- 这是预印本，同行评审或期刊接收未经核验；摘要未列具体界、极限分布或模拟设定，稳健性不能直接推广到所有误设。
原文摘要
We define two minimum distance estimators for dependent data by minimizing some approximated Maximum Mean Discrepancy distances between the true empirical distribution of observations and their assumed (parametric) model distribution. When the latter one is intractable, it is approximated by simulation, allowing to accommodate most dynamic processes with latent variables. We derive the non-asymptotic and the large sample properties of our estimators in the context of absolutely regular/beta-mixing random elements. Our simulation experiments illustrate the robustness of our procedures to model misspecification, particularly in comparison with alternative standard estimation methods.