ECF estimation of Markov models where the transition density is unknown
转移密度未知的马尔可夫模型的经验特征函数估计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。
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：摘要直接研究马尔可夫动态过程及其转移机制的统计估计。
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…
关注这篇论文的作者
转移密度未知的马尔可夫模型的经验特征函数估计
- 研究问题
- 当马尔可夫过程的转移密度未知时，如何构造可实施的估计程序，并避免使用近似似然可能造成的估计不一致？
- 方法与思路
- 作者采用经验特征函数估计，通过对对数转移密度作Edgeworth/Gram–Charlier展开获得近似最优权重，并推导估计方程。
- 材料陈述的贡献
- 摘要称，所提方程类似近似最大似然估计，但使用近似似然时仍能保证一致性；文中还以多个马尔可夫过程和模拟展示方法。
- 阅读关注点
- 应核对近似权重的构造与可计算性、一致性所需条件、展开截断的影响，以及与近似最大似然等方法的模拟比较。
- 阅读边界
- 摘要未列出允许的过程类别、展开条件或模拟数值；不能据此断言任意近似权重或未知转移密度下均能保持一致性。
原文摘要
In this paper, we consider the estimation of Markov models where the transition density is unknown. The approach we propose is based on the empirical characteristic function estimation procedure with an approximate optimal weight function. The approximate optimal weight function is obtained through an Edgeworth/Gram--Charlier expansion of the logarithmic transition density of the Markov process. We derive the estimating equations and demonstrate that they are similar to the approximate maximum likelihood estimation (AMLE). However, in contrast to the conventional AMLE our approach ensures the consistency of the estimator even with the approximate likelihood function. We illustrate our approach with examples of various Markov processes. Monte Carlo simulations are performed to investigate the finite sample properties of the proposed estimator in comparison with other methods. Copyright The Author(s). Journal compilation Royal Economic Society 2010.