On Conditional Least Squares Estimation for Stochastic Processes
随机过程的条件最小二乘估计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：摘要围绕平稳遍历与 Markov 随机过程的条件期望估计和动态过程极限理论展开。
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
随机过程的条件最小二乘估计
- 研究问题
- 如何通过最小化观测值与条件期望之间的平方偏差估计随机过程参数，并为平稳遍历及渐近平稳的过程建立极限理论？
- 方法与思路
- 作者构造条件最小二乘估计，研究多种条件下的渐近性质，并详细推导带移民的次临界分枝过程估计及极限协方差。
- 材料陈述的贡献
- 摘要称，估计量在相应条件下具有强一致性、联合渐近正态性及迭代对数收敛率，并提供具体过程推导和简短模拟。
- 阅读关注点
- 核对条件期望如何参数化、参数可识别性、平稳与渐近平稳情形的条件差别，以及极限协方差的估计与模拟设定。
- 阅读边界
- 仅据版本未注明的索引摘要，无法确定各项极限性质的完整条件或模拟表现，也不能将分枝过程结果直接推广至任意过程。
原文摘要
An estimation procedure for stochastic processes based on the minimization of a sum of squared deviations about conditional expectations is developed. Strong consistency, asymptotic joint normality and an iterated logarithm rate of convergence are shown to hold for the estimators under a variety of conditions. Special attention is given to the widely studied cases of stationary ergodic processes and Markov processes with are asymptotically stationary and ergodic. The estimators and their limiting covariance matrix are worked out in detail for a subcritical branching process with immigration. A brief Monte Carlo study of the performance of the estimators is presented.