Diagnostic checking for time series models with conditional heteroscedasticity estimated by the least absolute deviation approach
最小绝对偏差估计的条件异方差时间序列模型诊断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：摘要明确讨论时间序列中的GARCH条件异方差及残差诊断，直接对应时间序列与波动率建模。
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
最小绝对偏差估计的条件异方差时间序列模型诊断
- 研究问题
- 采用最小绝对偏差方法估计GARCH模型后，如何利用绝对残差与平方残差的自相关判断模型拟合是否充分？
- 方法与思路
- 作者推导两类残差自相关的渐近分布，据此构造诊断工具，并用模拟实验与一个实际数据例子加以说明。
- 材料陈述的贡献
- 摘要称，所得渐近结果产生两种用于检查最小绝对偏差拟合GARCH模型的诊断工具，模拟为理论提供进一步支持。
- 阅读关注点
- 应核对残差的定义、参数估计对自相关分布的影响、矩条件和临界值构造，并检查模拟中的尺寸与功效设计。
- 阅读边界
- 索引稿件版本未注明；摘要未说明尾部条件、诊断统计量公式或实际数据来源，不能据此评价有限样本效果及稳健性。
原文摘要
The recent paper by Peng & Yao (2003) gave an interesting extension of least absolute deviation estimation to generalised autoregressive conditional heteroscedasticity, GARCH, time series models. The asymptotic distributions of absolute residual autocorrelations and squared residual autocorrelations from the GARCH model estimated by the least absolute deviation method are derived in this paper. These results lead to two useful diagnostic tools which can be used to check whether or not a GARCH model fitted by using the least absolute deviation method is adequate. Some simulation experiments give further support to the asymptotic theory and a real data example is also reported.