Maximum likelihood estimation for score-driven models
得分驱动模型的最大似然估计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：摘要研究得分驱动的动态时变参数模型，并明确提供条件波动率模型的详细例示。
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…
得分驱动模型的最大似然估计
- 研究问题
- 对于由预测条件似然得分驱动的随机时变参数模型，最大似然估计何时具有强一致性和渐近正态性，模型误设又如何影响这些性质？
- 方法与思路
- 作者为全局识别、可逆性及最大似然估计的渐近性质给出原始条件，同时处理正确设定与误设，并用学生 t 扰动的条件波动率模型说明。
- 材料陈述的贡献
- 摘要称，论文建立得分驱动模型最大似然估计的强一致性与渐近正态性，并将识别和可逆性的条件纳入统一的理论分析。
- 阅读关注点
- 应核对原始条件如何在具体模型中验证、可逆性与滤波初始化的关系，以及正确设定和误设情况下估计目标与渐近方差的区别。
- 阅读边界
- 仅据所给出版社摘要，无法判断条件的必要性、适用模型范围或有限样本可靠性；学生 t 波动率例子不能自动保证其他模型满足理论要求。
原文摘要
We establish strong consistency and asymptotic normality of the maximum likelihood estimator for stochastic time-varying parameter models driven by the score of the predictive conditional likelihood function. For this purpose, we formulate primitive conditions for global identification, invertibility, strong consistency, and asymptotic normality both under correct specification and misspecification of the model. A detailed illustration is provided for a conditional volatility model with disturbances from the Student’s t distribution.