EstemPMM: Polynomial Maximization Method for Non-Gaussian Regression and Time Series in R
EstemPMM：用于非高斯回归与时间序列的 R 多项式最大化方法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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确实现 AR、MA、ARMA、ARIMA 及季节时间序列估计，原油案例本身不足以归入收益或波动率方向。
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
EstemPMM：用于非高斯回归与时间序列的 R 多项式最大化方法
- 研究问题
- 当回归或时间序列误差存在偏斜或厚尾时，如何利用高阶矩信息提高参数估计精度，并通过统一软件接口选择合适的估计方法？
- 方法与思路
- 作者介绍实现多项式最大化方法的 R 包，利用三、四阶标准化矩构造估计量，并按样本偏度及超额峰度选择 OLS、PMM2 或 PMM3。
- 材料陈述的贡献
- 摘要称软件覆盖线性回归与多类时间序列模型，给出相对 OLS 的渐近方差系数，并以模拟和 WTI 原油案例展示精度收益。
- 阅读关注点
- 应核对高阶矩存在性和估计误差、效率比较的模型条件，以及数据驱动选择后置信区间是否仍有效，另查软件版本对应的实现。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；软件发布状态未另行核验，摘要不足以确认任意偏斜或厚尾误差下均优于 OLS。
原文摘要
We describe the R package EstemPMM, which implements the Polynomial Maximization Method (PMM) for parameter estimation under non-Gaussian errors. PMM exploits higher-order cumulants of the error distribution -- specifically the third standardized moment gamma_3 and fourth standardized moment gamma_4 -- to construct estimators that outperform ordinary least squares (OLS) whenever the errors are asymmetric or leptokurtic. The package provides a unified interface for linear regression (lm_pmm2, lm_pmm3), autoregressive and moving-average time-series models (ar_pmm2, ma_pmm2, arma_pmm2, arima_pmm2, and seasonal variants), a data-driven dispatch function (pmm_dispatch) that automatically selects OLS, PMM2, or PMM3 based on the sample skewness and excess kurtosis, and Monte Carlo comparison utilities. The implementation uses R's S4 class system and follows standard generic interfaces (coef, fitted, residuals, predict, summary, AIC, logLik, vcov, confint). Asymptotic efficiency is characterised by Kunchenko-style coefficients g_2, g_3 in [0,1], defined as the ratios of the asymptotic variance of the PMM2 and PMM3 estimators to that of OLS. Monte Carlo experiments confirm the theoretical values and a WTI crude-oil case study illustrates the dispatcher and parameter-precision benefits of PMM2 on real heavy-tailed data. EstemPMM version 0.3.2 is available from CRAN at https://CRAN.R-project.org/package=EstemPMM under the GPL-3 licence.