Robust Estimation of the non-Gaussian Dimension in Structural Linear Models
结构线性模型中非高斯维数的稳健估计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。
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：摘要明确讨论SVARMA与结构VAR的统计识别，利用时间序列误差的高阶谱，支持VAR与时间序列分类。
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
结构线性模型中非高斯维数的稳健估计
- 研究问题
- 在可能非基本的SVARMA模型中，给定结构误差独立性要求后，如何评估识别所需的非高斯成分数量？
- 方法与思路
- 作者将结构误差的非高斯维数联系到由约化式误差高阶谱构造的矩阵秩，以适应不同滞后多项式根位置。
- 材料陈述的贡献
- 摘要称，该方法将适用于因果结构VAR的现有程序推广至更一般模型，且模拟中能够较好估计非高斯成分数量。
- 阅读关注点
- 应核对高阶谱矩阵与非高斯维数的对应条件、矩条件及秩估计程序，以及根位置稳健性的确切含义。
- 阅读边界
- 这是arXiv预印本，同行评审或期刊接收未获核验；摘要未说明完整技术条件与模拟数值，稳健性主张有待核对。
原文摘要
Statistical identification of possibly non-fundamental SVARMA models requires structural errors: (i) to be an i.i.d process, (ii) to be mutually independent across components, and (iii) each of them must be non-Gaussian distributed. Hence, provided the first two requisites, it is crucial to evaluate the non-Gaussian identification condition. We address this problem by relating the non-Gaussian dimension of structural errors vector to the rank of a matrix built from the higher-order spectrum of reduced-form errors. This makes our proposal robust to the roots location of the lag polynomials, and generalizes the current procedures designed for the restricted case of a causal structural VAR model. Simulation exercises show that our procedure satisfactorily estimates the number of non-Gaussian components.