Nonparametric Time-Series Estimation of Joint DGP, Conditional DGP, and Vector Autoregression
联合及条件数据生成过程与向量自回归的非参数时间序列估计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。
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：摘要直接研究多元时间序列、过去信息条件均值和非参数向量自回归。
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
联合及条件数据生成过程与向量自回归的非参数时间序列估计
- 研究问题
- 当动态回归函数形式未知且高斯假设不成立时，如何非参数估计多元时间序列的联合、条件分布及依赖过去信息的条件均值？
- 方法与思路
- 作者构造联合与条件数据生成过程及条件均值估计量，在混合条件下建立中心极限定理，并研究一致一致性和收敛速率。
- 材料陈述的贡献
- 摘要称，论文覆盖双序列及非参数向量自回归，得到中心极限定理与一致收敛结果，并相对所述既有研究放宽混合条件。
- 阅读关注点
- 应核对非参数估计量的构造、平滑参数与维度要求、混合条件的精确比较，以及不同估计对象的收敛速率和极限方差。
- 阅读边界
- 仅据所给 Crossref 摘要解读；未说明估计形式、具体条件或有限样本结果，较弱混合要求不等于普遍优越，也不推断刊本变化。
原文摘要
In this paper we develop nonparametric estimators of the joint time series data generating process (DGP) of ( x t , y t ) at different t -values, of conditional DGP, of the conditional mean of x t given the past values of x and y , and, more generally, the conditional mean of ( x t , y t ) given their past values (vector autoregression). We establish, among other results, the central limit theorems for these estimators under far weaker mixing conditions than those used in Robinson [23], where only the x t series is considered. Uniform consistency and rate results for the consistencies of various estimators are also obtained. The results of the paper are useful in light of the fact that often the functional form of the dynamic regression is not known and also the assumption of the Gaussian process is not true.