Center-Outward R-Estimation for Semiparametric VARMA Models
半参数 VARMA 模型的中心向外秩估计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：摘要直接研究 VARMA 动态模型的半参数估计，因此归入时间序列；未涉及结构冲击识别或局部投影，不另列相关方向。
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
半参数 VARMA 模型的中心向外秩估计
- 研究问题
- 在创新密度未知且可能非椭圆的 VARMA 模型中，如何利用多元秩与符号进行稳健估计，并获得半参数效率保证？
- 方法与思路
- 作者将中心向外秩与符号结合 Le Cam 渐近实验理论，构造以创新密度为干扰参数的半参数 R 估计程序。
- 材料陈述的贡献
- 摘要称估计量在指定参考密度处有效率，在较广实际创新密度类下具根样本量一致性及渐近正态性，实施无需核密度估计。
- 阅读关注点
- 应核对参考密度与真实创新密度的角色、VARMA 参数化及可识别性条件，并检查秩计算、效率保证和模拟比较范围。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 索引摘要；摘要未列出完整密度与模型条件，参考密度处的效率不能解释为对所有密度均有效率。
原文摘要
We propose a new class of R-estimators for semiparametric VARMA models in which the innovation density plays the role of the nuisance parameter. Our estimators are based on the novel concepts of multivariate center-outward ranks and signs. We show that these concepts, combined with Le Cam’s asymptotic theory of statistical experiments, yield a class of semiparametric estimation procedures, which are efficient (at a given reference density), root-n consistent, and asymptotically normal under a broad class of (possibly non-elliptical) actual innovation densities. No kernel density estimation is required to implement our procedures. A Monte Carlo comparative study of our R-estimators and other routinely applied competitors demonstrates the benefits of the novel methodology, in large and small sample. Proofs, computational aspects, and further numerical results are available in the supplementary materials. Supplementary materials for this article are available online.