Weighted least squares approximate restricted likelihood estimation for vector autoregressive processes
向量自回归过程的加权最小二乘近似限制似然估计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：摘要明确研究向量自回归、非平稳过程和单位根；未涉及冲击识别，因此仅选时间序列方向。
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
向量自回归过程的加权最小二乘近似限制似然估计
- 研究问题
- 对于含截距的高维向量自回归模型，如何绕开复杂参数空间中的精确似然优化，并降低普通最小二乘的估计误差？
- 方法与思路
- 作者推导加权最小二乘近似限制似然估计量，比较平稳与非平稳过程中的偏差和均方误差，并分析单位根极限分布。
- 材料陈述的贡献
- 摘要称，该估计量较普通最小二乘有更低偏差和均方误差；单位根处具有零截距 Dickey–Fuller 型极限分布。
- 阅读关注点
- 应核对权重与限制似然近似的推导、平稳和非平稳情形的条件，以及单位根结果涉及的参数及模型维度。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；误差改善的适用范围与单位根定理条件未说明，不能将标量极限结论外推至所有参数或刊本变化。
原文摘要
We derive a weighted least squares approximate restricted likelihood estimator for a k-dimensional pth-order autoregressive model with intercept. Exact likelihood optimization of this model is generally infeasible due to the parameter space, which is complicated and high-dimensional, involving pk2 parameters. The weighted least squares estimator has significantly reduced bias and mean squared error than the ordinary least squares estimator for both stationary and nonstationary processes. Furthermore, at the unit root, the limiting distribution of the weighted least squares approximate restricted likelihood estimator is shown to be the zero-intercept Dickey–Fuller distribution, unlike the ordinary least squares with intercept estimator that has a different distribution with significantly higher bias.