Gaussian Estimation of a Continuous Time Dynamic Model with Common Stochastic Trends
具有共同随机趋势的连续时间动态模型的高斯估计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：摘要研究共同随机趋势驱动的连续时间动态系统及其离散时间估计形式。
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
具有共同随机趋势的连续时间动态模型的高斯估计
- 研究问题
- 对于由可观测随机趋势和稳定创新共同驱动的连续时间动态系统，如何建立用于估计的离散模型与高斯似然？
- 方法与思路
- 作者从一阶线性随机微分方程系统出发，推导其精确离散模型，并构造对应的高斯似然函数供估计使用。
- 材料陈述的贡献
- 摘要明确陈述的贡献是推导该类连续时间系统的精确离散形式与高斯似然，未报告估计量的进一步性质。
- 阅读关注点
- 应核对随机趋势与创新的具体设定、离散观测与连续系统的对应关系，以及似然构造对初始状态的处理。
- 阅读边界
- 所给 Crossref 摘要很短，未说明识别条件、估计算法或渐近结果；不能据此判断实证效果或其他版本变化。
原文摘要
We derive the exact discrete model and the Gaussian likelihood function of a first-order system of linear stochastic differential equations driven by an observable vector of stochastic trends and a vector of stationary innovations.