Uniform Gaussian Approximation for The Quasi-Likelihood Estimator for a Weakly Dependent Nonlinear Time Series Models
弱依赖非线性时间序列模型准似然估计量的一致高斯近似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：摘要核心是弱依赖非线性时间序列的准似然估计与高斯近似，股票相关性应用未明确提供其他细分方法证据。
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…
弱依赖非线性时间序列模型准似然估计量的一致高斯近似
- 研究问题
- 对于仅指定条件均值的弱依赖非线性时间序列模型，如何控制准似然估计的高斯近似误差，并形成覆盖误差明确的统计推断？
- 方法与思路
- 作者用条件一阶矩构造准似然估计方程，结合弱依赖序列的不等式、贝里—埃塞恩界及高斯反集中，控制定位与线性展开余项。
- 材料陈述的贡献
- 摘要称得到对投影方向一致的近似误差界，据此构造学生化区间及保守邦费罗尼检验，并将扩展贝塔自回归用于股票已实现相关性。
- 阅读关注点
- 应核对平稳性、函数依赖、矩与链接函数条件，明确投影方向一致性的参数范围，并检查学生化步骤及相关性应用的模型设定。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未给出误差界具体速率及全部条件，金融应用也不足以说明高频计量方法上的贡献。
原文摘要
We study estimation and inference for a semiparametric class of time series models that specify only the conditional expectation, which is a known link function applied to a linear combination of past observations and covariates. The class covers count, binary, bounded and conditionally heteroskedastic responses within a single formulation, and the parameter is estimated by a quasi-likelihood estimating equation based on the first conditional moment. Under stationarity and a weak-dependence condition expressed through the functional dependence measure, we establish two results. First, using a Fuk--Nagaev inequality for weakly dependent sequences, we show that the estimator is localized in a shrinking neighbourhood of the true value with probability $1-o(n^{-1/2})$. Second, combining a Berry--Esseen bound for weakly dependent sequences with a Gaussian anti-concentration argument to control the remainder of the linear expansion, we obtain a Berry--Esseen bound for linear projections of the estimator, uniform over projection directions. From the projected bound we derive studentized confidence intervals with explicit coverage error and a conservative Bonferroni test for linear hypotheses on the parameters. For real data analysis, we extend the Beta autoregression for double-bounded data to an arbitrary link given by the inverse of a distribution function, and apply it to ten pairwise realized correlations of large-cap technology-stock returns, using Nasdaq and Dow~Jones index returns as covariates.