State Space Models With a Common Stochastic Variance
具有共同随机方差的状态空间模型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：摘要以状态空间模型刻画动态均值和方差，并明确应用于美国月度通胀预测，对应时间序列与预测。
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
具有共同随机方差的状态空间模型
- 研究问题
- 如何在状态空间模型中同时估计均值过程和共同随机方差过程的参数，并考察其小样本性质及用于月度通胀预测的可行性？
- 方法与思路
- 作者结合线性高斯状态空间模型与随机波动模型，使用卡尔曼滤波和蒙特卡洛极大似然估计，并开展模拟及美国月度通胀应用。
- 材料陈述的贡献
- 摘要称估计中的模拟误差可任意缩小，并据此主张标准极大似然渐近性质适用；另以模拟和通胀应用展示估计及预测方法。
- 阅读关注点
- 阅读全文时应核对共同随机方差如何进入状态与观测方程、蒙特卡洛误差控制和渐近条件，并检查通胀预测的评价设计。
- 阅读边界
- 摘要未说明方差过程、模拟计算成本、渐近结论所需条件或预测结果；展示预测应用不足以判断其是否优于现有通胀预测方法。
原文摘要
This article considers a combination of the linear Gaussian state space model and the stochastic volatility model. The focus is on the simultaneous estimation of parameters related to the stochastic processes of both the mean and variance parts of the model. Kalman filter and Monte Carlo maximum likelihood methods lead to an elegant estimation procedure for which the simulation error can be made arbitrarily small. The standard asymptotic properties of maximum likelihood estimators apply as a result. A Monte Carlo simulation study is carried out to investigate the small-sample properties of the estimation procedure. The modeling and forecasting techniques within our new framework are illustrated for U.S. monthly inflation rates.