Strong Consistency of Least Squares Estimates in Dynamic Models
动态模型中最小二乘估计的强一致性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：题名明确研究动态模型，摘要按时间索引讨论随机解释变量与误差条件，直接对应时间序列估计理论。
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
动态模型中最小二乘估计的强一致性
- 研究问题
- 研究动态回归中解释变量可能随机、误差不可观测时，最小二乘参数矩阵估计在什么条件下几乎处处收敛到真值。
- 方法与思路
- 作者将解释变量与误差的条件均值限制同设计矩阵的渐近行为联系起来，考察矩阵逆趋零及最大最小特征根之比有界的作用。
- 材料陈述的贡献
- 摘要称在所述条件均值限制和设计矩阵条件下，最小二乘估计具有强一致性，并讨论更一般的解释变量与误差行为条件。
- 阅读关注点
- 应先查原PDF核对求和符号与条件信息集下标，再核对矩阵增长、特征根比有界及误差条件在强一致性证明中的作用。
- 阅读边界
- OpenAlex摘要未注明稿件版本；求和符号和条件信息集下标疑有提取错误，需查原PDF，不能据此重构正式假设或公式。
原文摘要
The least squares estimate of the parameter matrix $\mathbf{B}$ in the model $\mathbf{y}_t = \mathbf{B'x}_t + \mathbf{u}_t$, where $\mathbf{u}_t$ is an $m$-component vector of unobservable disturbances and $x_t$ is a $p$-component vector, converges to $\mathbf{B}$ with probability one under certain conditions on the behavior of $x_t$ and $\mathbf{u}_t$. When $\mathbf{x}_t$ is stochastic and the conditional expectation of $\mathbf{u}_t$ given $\mathbf{x}_s$ for $s \leqslant t$ and $\mathbf{u}_t$ for $s < t$ is zero, then the least squares estimates are strongly consistent if the inverse of $\mathbf{A}_T = \sigma^T_{t=1} \mathbf{x}_t\mathbf{x}'_t$, where $T$ is the sample size, converges to the zero matrix and if the ratio of the largest to the smallest characteristic root of $\mathbf{A}_T$ is bounded with probability one.