Two-stage weighted least squares estimator of multivariate non-negative observation-driven models
多元非负观测驱动模型的两阶段加权最小二乘估计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：摘要明确研究多元非负时间序列及观测驱动条件均值模型，直接对应时间序列方法。
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
多元非负观测驱动模型的两阶段加权最小二乘估计
- 研究问题
- 在多元非负时间序列的条件分布未知或过于复杂时，如何提高参数化条件均值模型的估计效率？
- 方法与思路
- 作者提出两阶段多元加权最小二乘估计，通过第二阶段的矩阵权重序列处理各分量之间的条件变异。
- 材料陈述的贡献
- 摘要称推导一致性与渐近正态性，并在权重序列正确设定时证明效率性质，另以模拟和实际数据比较估计表现。
- 阅读关注点
- 应核对权重矩阵的构造及可行估计、均值模型和依赖条件，以及效率比较适用的权重设定与比较基准。
- 阅读边界
- 这是预印本，同行评审及接收未核实。摘要未给正则条件与效率增益数值，不能推断任意权重均有改进。
原文摘要
A novel estimation approach for a general class of semi-parametric multivariate time series models is introduced where the conditional mean is modeled through parametric functions. The focus of the estimation is the conditional mean parameter vector for non-negative time series. Quasi-Maximum Likelihood Estimators (QMLEs) based on the linear exponential family are typically employed for such estimation problems when the true multivariate conditional probability distribution is unknown or too complex. Although QMLEs provide consistent estimates they may be inefficient. Novel two-stage Multivariate Weighted Least Square Estimators (MWLSEs) are introduced which enjoy the same consistency property as the QMLEs but provide improved efficiency with a suitable choice of the weighting sequence of matrices in the second stage. The proposed method enables a more accurate estimation of model parameters, particularly for data where maximum likelihood estimation is infeasible. Moreover, consistency and asymptotic normality of MWLSEs are derived, and their efficiency is proved under the correct specification of the weighting sequence. The estimation performance of QMLE and MWLSE is also compared through simulation experiments and a real data application, showing the superior accuracy of the proposed methodology.