Discrete mixtures of normals pseudo maximum likelihood estimators of structural vector autoregressions
结构向量自回归的离散正态混合伪极大似然估计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：摘要直接研究结构 VAR 的冲击识别与估计，并分析三个波动率指数的动态联系。
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
结构向量自回归的离散正态混合伪极大似然估计
- 研究问题
- 独立非高斯冲击支持结构 VAR 识别时，分布误设会使哪些参数失去一致性？采用正态混合伪似然能否恢复更全面的一致估计？
- 方法与思路
- 作者分析分布误设下各参数的一致性，在对称情形使用离散正态尺度混合、一般情形使用非受限有限混合，并比较两步估计的效率。
- 材料陈述的贡献
- 摘要称，误设下自回归系数与经尺度调整的冲击乘数仍一致，而漂移和冲击标准差通常不一致；所述混合似然可恢复一致性。
- 阅读关注点
- 应核对冲击独立性、尺度归一化及混合分布条件，区分不同参数的一致性结论，并检查效率比较基准和波动率指数的结构解释。
- 阅读边界
- 仅依据所给 RePEc 出版社摘要；摘要未说明混合分量设定、正则条件或效率差距，不能将一致性结论推广到所有非高斯伪似然。
原文摘要
Likelihood inference in structural vector autoregressions with independent non-Gaussian shocks leads to parametric identification and efficient estimation at the risk of inconsistencies under distributional misspecification. We prove that autoregressive coefficients and (scaled) impact multipliers remain consistent, but the drifts and shocks’ standard deviations are generally inconsistent. Nevertheless, we show consistency when the non-Gaussian log-likelihood uses a discrete scale mixture of normals in the symmetric case, or an unrestricted finite mixture more generally, and compare the efficiency of these estimators to other consistent two-step proposals, including our own. Finally, our empirical application looks at dynamic linkages between three popular volatility indices.