Regression Models for Nonstationary Categorical Time Series: Asymptotic Estimation Theory
非平稳分类时间序列回归模型：渐近估计理论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：摘要明确研究非平稳分类时间序列及其回归模型的渐近估计理论。
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
非平稳分类时间序列回归模型：渐近估计理论
- 研究问题
- 如何为非平稳分类时间序列建立简约而灵活的回归模型，并在时间依赖下保证最大似然估计的可靠渐近性质？
- 方法与思路
- 作者推广独立分类观测的回归模型，先建立一般随机过程的最大似然估计定理，再验证分类时间序列满足相应要求。
- 材料陈述的贡献
- 摘要称，在较弱且易核验的要求下证明估计量的一致性、渐近正态性和效率，并详细讨论若干二元时间序列模型。
- 阅读关注点
- 应核对非平稳性与时间依赖如何进入模型、所谓较弱要求的具体内容，以及一般定理如何用于二元时间序列。
- 阅读边界
- 仅据版本未注明的索引摘要，具体正则条件、效率定义及适用的非平稳过程范围未说明，不能推断刊本变化。
原文摘要
For the analysis of nonstationary categorical time series, a parsimonious and flexible class of models is proposed. These models are generalizations of regression models for stochastically independent categorical observations. Consistency, asymptotic normality and efficiency of the maximum likelihood estimator are shown under weak and easily verifiable requirements. Some models for binary time series are discussed in detail. To demonstrate asymptotic properties, a theorem is given addressing maximum likelihood estimation for general stochastic processes. Then it is shown that the assumptions of this theorem are consequences of the requirements for categorical time series. For this proof some lemmas are used which may be of interest in similar cases.