Identification and Estimation of Structural VARMA Models Using Higher Order Dynamics
利用高阶动态识别与估计结构 VARMA 模型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：摘要明确研究结构 VARMA、结构冲击识别及频域时间序列估计。
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
利用高阶动态识别与估计结构 VARMA 模型
- 研究问题
- 对可能非基本或非因果的非高斯结构 VARMA 模型，如何借助高阶矩动态识别多项式根的位置与结构冲击的旋转？
- 方法与思路
- 作者构造基于高阶谱密度的频域准则，以线性动态的秩条件和创新的有限阶独立条件识别模型，并利用累积量动态估计。
- 材料陈述的贡献
- 摘要称，模型根的位置和冲击旋转可获识别，后者保留符号与排列不确定性；给定冲击排序后，可构造渐近正态且有效的估计。
- 阅读关注点
- 应核对全局与局部识别的秩条件、非高斯和独立性要求、符号及排序处理，以及有效性结论对应的估计准则与信息范围。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要；充分条件的具体形式、所需矩阶数与效率基准未说明，不能理解为所有非高斯模型均可识别。
原文摘要
We use information from higher order moments to achieve identification of non-Gaussian structural vector autoregressive moving average (SVARMA) models, possibly nonfundamental or noncausal, through a frequency domain criterion based on higher order spectral densities. This allows us to identify the location of the roots of the determinantal lag matrix polynomials and to identify the rotation of the model errors leading to the structural shocks up to sign and permutation. We describe sufficient conditions for global and local parameter identification that rely on simple rank assumptions on the linear dynamics and on finite order serial and component independence conditions for the non-Gaussian structural innovations. We generalize previous univariate analysis to develop asymptotically normal and efficient estimates exploiting second and higher order cumulant dynamics given a particular structural shocks ordering without assumptions on causality or invertibility. Finite sample properties of estimates are explored with real and simulated data.