PARAMETER ESTIMATION IN NONLINEAR AR–GARCH MODELS
非线性 AR–GARCH 模型的参数估计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：摘要明确研究非线性自回归时间序列及 GARCH 条件方差模型。
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
非线性 AR–GARCH 模型的参数估计
- 研究问题
- 在非线性自回归与非线性条件方差共同存在、标准化误差无需独立时，高斯准极大似然估计能否保持一致性和渐近正态性？
- 方法与思路
- 作者研究一般非线性 AR(p) 与非线性 GARCH(1,1) 组合模型，允许标准化误差为平稳遍历鞅差序列，并分析全局高斯准似然估计。
- 材料陈述的贡献
- 摘要称，在与线性情形相近的条件下建立强一致性和渐近正态性；作者将其定位为该类非线性 AR–GARCH 模型的首次相关结果。
- 阅读关注点
- 应核对模型平稳性、参数识别、矩条件与可微性要求，区分全局最优估计的理论结论与实际数值优化能够保证的结果。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断完整条件或局部最优解性质；首次性属于作者陈述，不能据此独立确认，刊本变化未说明。
原文摘要
This paper develops an asymptotic estimation theory for nonlinear autoregressive models with conditionally heteroskedastic errors. We consider a general nonlinear autoregression of order p (AR( p )) with the conditional variance specified as a general nonlinear first-order generalized autoregressive conditional heteroskedasticity (GARCH(1,1)) model. We do not require the rescaled errors to be independent, but instead only to form a stationary and ergodic martingale difference sequence. Strong consistency and asymptotic normality of the global Gaussian quasi-maximum likelihood (QML) estimator are established under conditions comparable to those recently used in the corresponding linear case. To the best of our knowledge, this paper provides the first results on consistency and asymptotic normality of the QML estimator in nonlinear autoregressive models with GARCH errors.