ADAPTIVE ESTIMATION OF ERROR CORRECTION MODELS
误差修正模型的自适应估计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：摘要明确研究降秩向量误差修正模型及其创新分布下的估计。
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
误差修正模型的自适应估计
- 研究问题
- 在未知创新密度形状但密度对称的情况下，降秩向量误差修正模型能否通过自适应估计达到渐近效率？
- 方法与思路
- 作者利用一致初步估计量的残差进行未知密度的非参数核估计，构造自适应最大似然估计量并推导渐近分布。
- 材料陈述的贡献
- 摘要称在创新密度对称时可实现渐近有效估计，并针对椭圆对称创新评估相对高斯伪最大似然估计的渐近效率收益。
- 阅读关注点
- 应核对对称性及其他正则条件、初步估计与带宽要求、降秩约束处理，以及渐近效率基准和收益计算方式。
- 阅读边界
- 所给 Crossref 摘要未说明全部效率条件和收益数值，也未报告有限样本表现，不能推广至任意非对称创新。
原文摘要
This paper considers adaptive maximum likelihood estimation of reduced rank vector error correction models. It is shown that such models can be asymptotically efficiently estimated even in the absence of knowledge of the shape of the density function of the innovation sequence, provided that this density is symmetric. The construction of the estimator, involving the nonparametric kernel estimation of the unknown density using the residuals of a consistent preliminary estimator, is described, and its asymptotic distribution is derived. Asymptotic efficiency gains over the Gaussian pseudo–maximum likelihood estimator are evaluated for elliptically symmetric innovations.