Observation-driven filtering of time-varying parameters using moment conditions
利用矩条件对时变参数进行观测驱动滤波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：摘要围绕时变参数的递归观测驱动动态与滤波展开，直接对应时间序列方法。
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…
利用矩条件对时变参数进行观测驱动滤波
- 研究问题
- 当时变参数的真实动态未知时，如何利用条件矩信息构建计算可行的递归滤波，并使每次更新在期望意义下改善局部拟合准则？
- 方法与思路
- 作者以条件矩准则的影响函数驱动参数递归更新，采用观测驱动动态避免复杂模拟，并基于特征函数构造时变尺度的稳健滤波器。
- 材料陈述的贡献
- 摘要称更新可保证条件准则在期望中的局部改善，提供灵活的半参数计算方法，并以模拟和真实数据展示新型稳健尺度滤波器。
- 阅读关注点
- 应核对条件矩准则和影响函数的定义、更新步长与参数约束，以及局部改善是否伴随滤波稳定性、一致性或其他长期性质。
- 阅读边界
- 仅依据所给出版社摘要版本；滤波稳定条件、真实数据对象与稳健性边界未说明，局部期望改善本身不能证明全局最优或真实动态恢复。
原文摘要
We develop a new and flexible semi-parametric approach for time-varying parameter models when the true dynamics are unknown. The time-varying parameters are estimated using a recursive updating scheme that is driven by the influence function of a conditional moments-based criterion. We show that the updates ensure local improvements of the conditional criterion function in expectation. The dynamics are observation driven, which yields a computationally efficient methodology that does not require advanced simulation techniques for estimation. We illustrate the new approach using both simulated and real empirical data and derive new, robust filters for time-varying scales based on characteristic functions.