Asymptotic normality of the quasi-maximum likelihood estimator for multidimensional causal processes
多维因果时间过程准极大似然估计量的渐近正态性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：摘要明确研究多维时间过程，并列出 ARCH、TARCH、NLARCH 等条件波动模型。
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
多维因果时间过程准极大似然估计量的渐近正态性
- 研究问题
- 对一类一般多维因果时间过程，准极大似然估计何时具有强一致性与渐近正态性，并能覆盖哪些波动模型？
- 方法与思路
- 作者在统一的多维因果过程框架下研究准极大似然估计的渐近性质，并讨论 ARCH、TARCH 与 NLARCH 等例子。
- 材料陈述的贡献
- 摘要称建立强一致性和渐近正态性，部分已研究模型所需条件较弱，并为多种新的单变量及多变量例子给出结果。
- 阅读关注点
- 应核对过程存在性、矩条件、参数识别及渐近协方差，并逐项比较所谓较弱条件与既有结果的适用范围。
- 阅读边界
- 仅据版本未注明的索引摘要；具体条件与比较细节未说明。这里的 causal 描述时间过程结构，不能据此理解为因果效应识别。
原文摘要
Strong consistency and asymptotic normality of the quasi-maximum likelihood estimator are given for a general class of multidimensional causal processes. For particular cases already studied in the literature [for instance univariate or multivariate ARCH(∞) processes], the assumptions required for establishing these results are often weaker than existing conditions. The QMLE asymptotic behavior is also given for numerous new examples of univariate or multivariate processes (for instance TARCH or NLARCH processes).