Efficient estimation of conditional variance functions in stochastic regression
随机回归中条件方差函数的有效估计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：摘要明确涵盖非线性时间序列的条件方差估计，并提供金融数据应用，支持时间序列与波动率方向。
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
随机回归中条件方差函数的有效估计
- 研究问题
- 在包括非线性时间序列的一般随机回归中，如何估计条件方差，使未知回归函数的估计不损害其渐近表现？
- 方法与思路
- 作者对平方残差实施局部线性回归，在严格平稳且绝对正则过程下研究其渐近性质，并据此发展自动带宽选择方案。
- 材料陈述的贡献
- 摘要称，即使回归函数未知，条件方差也可估得与回归函数已知时渐近同样好；论文以模拟及金融数据应用说明方法。
- 阅读关注点
- 应核对绝对正则性的具体速度要求、初步回归估计与带宽条件，以及渐近等价所用标准和自动带宽选择的实现。
- 阅读边界
- 仅据所给 OpenAlex 索引摘要，稿件版本未注明；具体收敛条件和有限样本结果未提供，不能外推到非平稳或任意依赖过程。
原文摘要
Conditional heteroscedasticity has often been used in modelling and understanding the variability of statistical data. Under a general set-up which includes nonlinear time series models as a special case, we propose an efficient and adaptive method for estimating the conditional variance. The basic idea is to apply a local linear regression to the squared residuals. We demonstrate that, without knowing the regression function, we can estimate the conditional variance asymptotically as well as if the regression were given. This asymptotic result, established under the assumption that the observations are made from a strictly stationary and absolutely regular process, is also verified via simulation. Further, the asymptotic result paves the way for adapting an automatic bandwidth selection scheme. An application with financial data illustrates the usefulness of the proposed techniques.