Estimation of dynamic models with nonparametric simulated maximum likelihood
用非参数模拟最大似然估计动态模型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：摘要提出通用动态模型模拟估计方法，未明确宏观、金融或微观结构应用，跳跃扩散例子不足以确定领域。
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
用非参数模拟最大似然估计动态模型
- 研究问题
- 对于似然没有闭式表达、但可以模拟且不含潜在动态的模型，如何构造可实施的估计方法并控制模拟与平滑误差？
- 方法与思路
- 作者从模型模拟观测，用核方法估计未知密度，再构造并最大化模拟似然，同时分析模拟和平滑对估计量的高阶影响。
- 材料陈述的贡献
- 摘要称，该非参数模拟最大似然估计一致且渐近有效，并不遭受核估计通常的维数灾难；跳跃扩散模拟展示较好表现。
- 阅读关注点
- 应核对不含潜在动态的准确含义、模拟规模与带宽条件，以及效率基准和避免维数灾难结论的具体适用范围。
- 阅读边界
- 仅据所给出版社摘要，无法确定完整正则条件和计算成本；不能把适用性推广到含潜在动态的模型或任意高维问题。
原文摘要
We propose an easy-to-implement simulated maximum likelihood estimator for dynamic models where no closed-form representation of the likelihood function is available. Our method can handle any simulable model without latent dynamics. Using simulated observations, we nonparametrically estimate the unknown density by kernel methods, and then construct a likelihood function that can be maximized. We prove that this nonparametric simulated maximum likelihood (NPSML) estimator is consistent and asymptotically efficient. The higher-order impact of simulations and kernel smoothing on the resulting estimator is also analyzed; in particular, it is shown that the NPSML does not suffer from the usual curse of dimensionality associated with kernel estimators. A simulation study shows good performance of the method when employed in the estimation of jump–diffusion models.