Dynamic Asymptotically Ideal Models and Finite Approximation
动态渐近理想模型与有限阶逼近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：摘要明确涉及动态数据生成过程、AR(1)修正与货币数据中的模型评价，最直接对应宏观时间序列。
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
动态渐近理想模型与有限阶逼近
- 研究问题
- 如何将渐近理想模型扩展到动态数据生成过程，并判断动态修正和函数齐次性限制对低阶有限逼近质量的影响？
- 方法与思路
- 作者扩展渐近理想模型以容纳动态过程，在多组模拟数据中比较动态与静态模型的预测误差，并用货币数据评价设定。
- 材料陈述的贡献
- 摘要称，AR(1)修正仅增加一个参数便能明显改善低阶逼近，而将动态模型限制为仅逼近线性齐次函数常导致严重误设。
- 阅读关注点
- 阅读全文时应核对动态AIM的构造、AR(1)修正的作用、有限逼近的阶数与误差标准，以及齐次性限制的具体定义。
- 阅读边界
- 摘要未说明模拟设计、货币数据范围或改善幅度；AR(1)修正的效果和齐次性限制的风险需结合函数类别与动态设定判断。
原文摘要
The authors extend W. A. Barnett and A. Jonas's (1983) asymptotically ideal model (AIM) to model for the possibility that the data were generated by a dynamic process. Prediction errors for dynamic and static AIM models are compared for various simulated datasets. Monetary data are also used to evaluate the AIM specifications. There is substantial evidence that an AR(1) correction considerably improves the quality of low-order finite approximations of AIM with the cost of estimating only one additional parameter. Furthermore, restricting a dynamic AIM to approximate only linear homogenous functions often results in severe misspecification.