Semiparametric Gaussian copula models: Geometry and efficient rank-based estimation
半参数高斯 Copula 模型：几何与有效秩估计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：摘要研究通用 Copula 参数的半参数效率，虽出现因子结构但未说明宏观或金融因子应用，无法直接归入所列领域。
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…
半参数高斯 Copula 模型：几何与有效秩估计
- 研究问题
- 在边际分布未知且相关矩阵具有结构的高斯 Copula 模型中，如何有效估计 Copula 参数，并判断伪似然估计是否有效？
- 方法与思路
- 作者显式计算有效影响函数，以基于秩的初步估计作一步更新，并给出刻画伪似然效率及模型对未知边际适应性的代数条件。
- 材料陈述的贡献
- 摘要称，构造了半参数有效的秩估计量，发现因子结构下伪似然有效，而 Toeplitz 结构下其相对效率可能显著降低。
- 阅读关注点
- 应核对相关矩阵参数化、初步估计要求、有效性与适应性的代数判据，以及不同结构下效率比较和回归扩展的范围。
- 阅读边界
- 依据 OpenAlex 索引摘要，稿件版本未注明；摘要未提供完整条件或效率计算细节，不能将特定结构结果推广至任意 Copula。
原文摘要
We propose, for multivariate Gaussian copula models with unknown margins and structured correlation matrices, a rank-based, semiparametrically efficient estimator for the Euclidean copula parameter. This estimator is defined as a one-step update of a rank-based pilot estimator in the direction of the efficient influence function, which is calculated explicitly. Moreover, finite-dimensional algebraic conditions are given that completely characterize efficiency of the pseudo-likelihood estimator and adaptivity of the model with respect to the unknown marginal distributions. For correlation matrices structured according to a factor model, the pseudo-likelihood estimator turns out to be semiparametrically efficient. On the other hand, for Toeplitz correlation matrices, the asymptotic relative efficiency of the pseudo-likelihood estimator can be as low as 20%. These findings are confirmed by Monte Carlo simulations. We indicate how our results can be extended to joint regression models.