Missing observations in observation-driven time series models
观测驱动时间序列模型中的缺失观测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：摘要研究观测驱动时间序列的缺失数据推断，并明确涉及金融收益的条件波动率测量。
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
观测驱动时间序列模型中的缺失观测
- 研究问题
- 在时变参数的观测驱动模型中，常用缺失值处理为何可能导致不一致推断，如何构造能够恢复一致性的估计程序？
- 方法与思路
- 作者在时变均值高斯模型中证明既有处理方法的不一致性，以模拟考察更广模型，并提出间接推断估计及其渐近理论。
- 材料陈述的贡献
- 摘要称新程序可实现一致推断，模拟显示有前景的表现，并应用于从金融收益数据测量条件波动率的经验研究。
- 阅读关注点
- 应核对被证明不一致的具体处理规则、缺失机制、间接推断的辅助模型，以及理论证明与模拟推广各自覆盖的模型范围。
- 阅读边界
- 仅据所给出版社摘要，无法判断缺失机制和渐近条件；其他观测驱动模型的问题主要由模拟说明，不能视作均已获得同样证明。
原文摘要
We argue that existing methods for the treatment of missing observations in time-varying parameter observation-driven models lead to inconsistent inference. We provide a formal proof of this inconsistency for a Gaussian model with time-varying mean. A Monte Carlo simulation study supports this theoretical result and illustrates how the inconsistency problem extends to score-driven and, more generally, to observation-driven models, which include well-known models for conditional volatility. To overcome the problem of inconsistent inference, we propose a novel estimation procedure based on indirect inference. This easy-to-implement method delivers consistent inference. The asymptotic properties of the new method are formally derived. Our proposed estimation procedure shows a promising performance in a Monte Carlo simulation exercise as well as in an empirical study concerning the measurement of conditional volatility from financial returns data.