Generalized Covariance Estimator
广义协方差估计量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：摘要主要研究VAR、因果与非因果混合过程等动态模型的估计和残差检验，直接支持时间序列分类。
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
广义协方差估计量
- 研究问题
- 对具有强白噪声误差的半参数动态模型，能否通过残差相关结构构造有效估计量及相应的模型诊断统计量？
- 方法与思路
- 作者通过最小化基于残差的多元综合相关检验统计量构造GCov估计量，推导渐近性质，并进行模拟和加密货币应用。
- 材料陈述的贡献
- 摘要称GCov估计量达到半参数效率，配套残差统计量渐近服从卡方分布，方法覆盖多种线性及非线性动态模型。
- 阅读关注点
- 应核对强白噪声要求、识别条件、残差变换与滞后选择，以及效率结论和卡方近似成立的具体假设。
- 阅读边界
- 这是arXiv预印本，同行评审与期刊接收未核实；摘要未列出效率与识别条件，加密货币应用也不证明普遍有效。
原文摘要
We consider a class of semi-parametric dynamic models with strong white noise errors. This class of processes includes the standard Vector Autoregressive (VAR) model, the nonfundamental structural VAR, the mixed causal-noncausal models, as well as nonlinear dynamic models such as the (multivariate) ARCH-M model. For estimation of processes in this class, we propose the Generalized Covariance (GCov) estimator, which is obtained by minimizing a residual-based multivariate portmanteau statistic as an alternative to the Generalized Method of Moments. We derive the asymptotic properties of the GCov estimator and of the associated residual-based portmanteau statistic. Moreover, we show that the GCov estimators are semi-parametrically efficient and the residual-based portmanteau statistics are asymptotically chi-square distributed. The finite sample performance of the GCov estimator is illustrated in a simulation study. The estimator is also applied to a dynamic model of cryptocurrency prices.