Spectral estimation for mixed causal-noncausal autoregressive models
混合因果—非因果自回归模型的谱估计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。
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：摘要核心是自回归动态模型的谱估计与识别；此处因果、非因果指时间序列结构，不直接指处理效应。
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
混合因果—非因果自回归模型的谱估计
- 研究问题
- 不指定创新分布的参数形式时，如何估计并区分因果、非因果及混合自回归模型，处理非线性和多峰目标函数？
- 方法与思路
- 作者利用高阶累积量信息，将谱与双谱结合做最小距离估计，选择初始值处理多峰问题，并按目标函数全局最小值识别模型。
- 材料陈述的贡献
- 摘要称模拟中，数据偏离正态时获得无偏参数估计与正确模型识别；八种月度商品价格应用显示非因果或混合动态。
- 阅读关注点
- 核对创新矩条件、谱与双谱识别机制、初始值选择和全局最小值判定，并区分模拟中的无偏表现与理论无偏性质。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未列矩条件、模拟数值及识别成功的具体边界。
原文摘要
This paper investigates new ways of estimating and identifying causal, noncausal, and mixed causal-noncausal autoregressive models driven by a non-Gaussian error sequence. We do not assume any parametric distribution function for the innovations. Instead, we use the information of higher-order cumulants, combining the spectrum and the bispectrum in a minimum distance estimation. We show how to circumvent the nonlinearity of the parameters and the multimodality in the noncausal and mixed models by selecting the appropriate initial values in the estimation. In addition, we propose a method of identification using a simple comparison criterion based on the global minimum of the estimation function. By means of a Monte Carlo study, we find unbiased estimated parameters and a correct identification as the data depart from normality. We propose an empirical application on eight monthly commodity prices, finding noncausal and mixed causal-noncausal dynamics.