Consistent non-Gaussian pseudo maximum likelihood estimators
具有一致性的非高斯伪最大似然估计量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。
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：摘要明确指出 GARCH-M 应用，并讨论股票收益的均值方差效率与张成检验，直接支持波动率和资产定价两个方向。
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
具有一致性的非高斯伪最大似然估计量
- 研究问题
- 当位置尺度模型的分布设定错误时，哪些均值和方差参数仍能被一致估计，其余参数又如何获得一致估计？
- 方法与思路
- 作者刻画分布误设下可一致估计的参数，为其余参数提供简单闭式估计量，并分析统计性质及相对高斯伪似然和半参数程序的效率。
- 材料陈述的贡献
- 摘要称方法包含均值与多变量情形，可用于 GARCH-M、VAR 和多元回归，并提供模拟及股票收益、均值方差效率与张成检验应用。
- 阅读关注点
- 应核对分布误设影响哪些参数、闭式修正所需的信息，以及多变量扩展、效率比较和均值方差检验中的具体实施。
- 阅读边界
- 仅据所给出版社摘要，不能认定任意分布误设均可修正或非高斯方法普遍更有效；矩条件、效率排序和应用结果未说明。
原文摘要
We characterise the mean and variance parameters that distributionally misspecified maximum likelihood estimators can consistently estimate in location-scale models, and provide simple closed-form consistent estimators for the rest. Including means and a multivariate coverage make our procedures useful for Garch-M models and empirically relevant macro and finance applications involving Vars and multivariate regressions. We study the statistical properties of our proposed consistent estimators, as well as their efficiency relative to Gaussian pseudo maximum likelihood and semiparametric procedures. We provide finite sample results through Monte Carlo simulations. Finally, we discuss two practical applications to individual stock returns and mean–variance efficiency/spanning tests.