Optimization of the Generalized Covariance Estimator in Noncausal Processes
非因果过程中广义协方差估计量的优化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：摘要明确研究依赖自协方差识别的混合因果与非因果时间序列模型。
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…
非因果过程中广义协方差估计量的优化
- 研究问题
- 混合因果与非因果时间序列模型中，广义协方差估计为何可能选错模型阶数，模拟退火能否缓解局部极小值问题？
- 方法与思路
- 作者以非线性自协方差构造半参数估计目标，分析其识别和优化困难，并采用模拟退火替代常规数值优化算法。
- 材料陈述的贡献
- 摘要称，模拟退火在所考察模型中有效消除了局部极小值的影响，并用双变量商品价格序列展示该方法。
- 阅读关注点
- 应核对非线性自协方差的选择、近高斯误差下的识别问题、退火设置，以及优化成功与统计识别的区别。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未提供性能数值，也未说明模拟退火能否保证全局收敛。
原文摘要
This paper investigates the performance of the Generalized Covariance estimator (GCov) in estimating and identifying mixed causal and noncausal models. The GCov estimator is a semi-parametric method that minimizes an objective function without making any assumptions about the error distribution and is based on nonlinear autocovariances to identify the causal and noncausal orders. When the number and type of nonlinear autocovariances included in the objective function of a GCov estimator is insufficient/inadequate, or the error density is too close to the Gaussian, identification issues can arise. These issues result in local minima in the objective function, which correspond to parameter values associated with incorrect causal and noncausal orders. Then, depending on the starting point and the optimization algorithm employed, the algorithm can converge to a local minimum. The paper proposes the use of the Simulated Annealing (SA) optimization algorithm as an alternative to conventional numerical optimization methods. The results demonstrate that SA performs well when applied to mixed causal and noncausal models, successfully eliminating the effects of local minima. The proposed approach is illustrated by an empirical application involving a bivariate commodity price series.