Asymptotic Properties of the Maximum Likelihood Estimator for Markov-switching Observation-driven Models
马尔可夫转换观测驱动模型最大似然估计量的渐近性质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：摘要直接研究马尔可夫转换时间序列，并以 GARCH 条件异方差模型为特例。
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
马尔可夫转换观测驱动模型最大似然估计量的渐近性质
- 研究问题
- 在状态由不可观测的有限状态马尔可夫链驱动时，观测驱动模型的最大似然估计何时具有一致性和渐近正态性？
- 方法与思路
- 作者研究条件分布依赖历史观测和当前隐状态的模型，并将一般最大似然渐近理论应用于特定的马尔可夫转换 GARCH 模型。
- 材料陈述的贡献
- 摘要称证明了该类模型最大似然估计的一致性与渐近正态性，并为一种既有马尔可夫转换 GARCH 模型给出相应条件。
- 阅读关注点
- 应核对模型的可识别性、递推稳定性及其他正则条件，以及一般理论如何覆盖所述 GARCH 特例和初始化处理。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出具体假设、证明和方差表达式，不能判断条件的适用范围。
原文摘要
A Markov-switching observation-driven model is a stochastic process $((S_t,Y_t))_{t \in \mathbb{Z}}$ where $(S_t)_{t \in \mathbb{Z}}$ is an unobserved Markov chain on a finite set and $(Y_t)_{t \in \mathbb{Z}}$ is an observed stochastic process such that the conditional distribution of $Y_t$ given $(Y_τ)_{τ\leq t-1}$ and $(S_τ)_{τ\leq t}$ depends on $(Y_τ)_{τ\leq t-1}$ and $S_t$. In this paper, we prove consistency and asymptotic normality of the maximum likelihood estimator for such model. As a special case, we also give conditions under which the maximum likelihood estimator for the widely applied Markov-switching generalised autoregressive conditional heteroscedasticity model introduced by Haas, Mittnik, and Paolella (2004b) is consistent and asymptotically normal.