Penalized quasi-likelihood estimation and model selection with parameters on the boundary of the parameter space
参数位于参数空间边界时的惩罚准似然估计与模型选择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：摘要研究受约束的计量时间序列估计，并明确应用于ARCH波动率模型和股票收益数据。
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
参数位于参数空间边界时的惩罚准似然估计与模型选择
- 研究问题
- 时间序列模型中的参数受非负边界约束时，联合模型选择与惩罚估计能否改善非惩罚估计的非标准渐近推断问题？
- 方法与思路
- 作者研究带非负约束的惩罚似然类估计与模型选择，建立渐近分布结果，并以ARCH模型开展模拟和股票收益实证示例。
- 材料陈述的贡献
- 摘要称，联合选择与估计可得到标准渐近高斯分布；ARCH模拟表现良好，股票收益示例展示了对经验自相关特征的拟合。
- 阅读关注点
- 核对高斯结论针对哪些参数、惩罚形式和调参条件，以及零参数选择、边界约束与选模后推断如何在理论中衔接。
- 阅读边界
- 仅据所给Crossref摘要，无法判断高斯结论的具体适用条件及是否具有一致性保障；实证中的长记忆解释也需核对全文。
原文摘要
Summary We consider here penalized likelihood-based estimation and model selection applied to econometric time series models, which allow for nonnegativity (boundary) constraints on some or all of the parameters. We establish that joint model selection and estimation result in standard asymptotic Gaussian distributed estimators. The results contrast with nonpenalized estimation, which, as is well-known, leads to nonstandard asymptotic distributions that depend on the unknown number of parameters on the boundary of the parameter space. We apply our results to the rich class of autoregressive conditional heteroskedastic (ARCH) models for time-varying volatility. For the ARCH models, simulations show that penalized estimation and model selection works surprisingly well, even for models with a large number of parameters. An empirical illustration for stock-market return data shows the ability of penalized estimation to select ARCH models that fit nicely the empirical autocorrelation function, and confirms the stylized fact of long-memory in such financial time series data.