Efficient Estimation for Models With Nonlinear Heteroscedasticity
非线性异方差模型的有效估计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：摘要以跨分位数加权和两步分位数回归为核心，并报告 GDP 与通胀预测应用，对应分位数方法和宏观预测。
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
非线性异方差模型的有效估计
- 研究问题
- 非线性异方差模型的两步分位数回归中，如何消除初步估计带来的不利影响，并通过整合跨分位数信息提高估计效率？
- 方法与思路
- 作者对不同分位数的信息进行带约束的最优加权，构造新的估计量，以消除初步估计的影响，并用 Cramér–Rao 下界衡量效率。
- 材料陈述的贡献
- 摘要给出相对效率损失的保守上界，并称对称密度或非对称拉普拉斯噪声下可渐近达到下界，模拟与宏观预测应用展示改善。
- 阅读关注点
- 核对最优权重的约束、初步估计影响消除的机制、效率上界所需条件，以及达到下界的噪声条件和宏观预测比较设计。
- 阅读边界
- 摘要未列出权重约束、误差分布及正则条件的完整要求；效率界限和预测改善的适用范围、有限样本稳定性仍须核对全文。
原文摘要
We study efficient estimation for models with nonlinear heteroscedasticity. In two-step quantile regression for heteroscedastic models, motivated by several undesirable issues caused by the preliminary estimator, we propose an efficient estimator by constrainedly weighting information across quantiles. When the weights are optimally chosen under certain constraints, the new estimator can simultaneously eliminate the effect of preliminary estimator as well as achieve good estimation efficiency. When compared to the Cramér-Rao lower bound, the relative efficiency loss of the new estimator has a conservative upper bound, regardless of the model design structure. The upper bound is close to zero for practical situations. In particular, the new estimator can asymptotically achieve the optimal Cramér-Rao lower bound if the noise has either a symmetric density or the asymmetric Laplace density. Monte Carlo studies show that the proposed method has substantial efficiency gain over existing ones. In an empirical application to GDP and inflation rate modeling, the proposed method has better prediction performance than existing methods.