Testing the assumptions behind importance sampling
检验重要性抽样背后的假设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：摘要将随机波动率模型的极大似然估计列为主要应用。
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…
检验重要性抽样背后的假设
- 研究问题
- 用于近似难解积分的重要性抽样是否满足有限方差要求，如何检查支持平方根收敛与渐近正态性的关键条件？
- 方法与思路
- 作者使用极值理论，经验评估重要性抽样相关量的方差是否存在，主要应用于随机波动率模型的极大似然估计。
- 材料陈述的贡献
- 摘要所述贡献是提供检查重要性抽样有限方差假设的经验方法，针对这一常被忽略却影响常规渐近推断的条件。
- 阅读关注点
- 应核对被诊断的抽样量、尾部估计方法和阈值选择，以及如何把极值分析结果转化为对方差存在性的判断。
- 阅读边界
- 仅据所给出版社摘要，无法判断诊断规则、统计误差及应用结果；有限样本诊断不能直接视为方差存在的数学证明。
原文摘要
Importance sampling is used in many areas of modern econometrics to approximate unsolvable integrals. Its reliable use requires the sampler to possess a variance, for this guarantees a square root speed of convergence and asymptotic normality of the estimator of the integral. However, this assumption is seldom checked. In this paper we use extreme value theory to empirically assess the appropriateness of this assumption. Our main application is the stochastic volatility model, where importance sampling is commonly used for maximum likelihood estimation of the parameters of the model.