Maximum likelihood estimation of a generalized threshold stochastic regression model
广义阈值随机回归模型的最大似然估计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：摘要明确研究非正态时间序列中的非线性动态关系与阈值模型，直接对应时间序列方向。
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
广义阈值随机回归模型的最大似然估计
- 研究问题
- 如何为计数或正值等非正态时间序列建立易解释的非线性动态模型，并对分段线性关系进行似然估计？
- 方法与思路
- 作者将响应的条件分布设为指数族，以分段线性随机回归函数连接条件均值，构建似然估计并研究其渐近性质。
- 材料陈述的贡献
- 摘要称推导了最大似然估计的一致性与极限分布，并通过模拟及野兔数量序列分析考察方法表现和阶段性关系。
- 阅读关注点
- 应核对阈值与其他参数的估计方式、动态过程及渐近结果所需条件，并查看模拟设计和生态应用中的模型解释。
- 阅读边界
- 依据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出正则条件、极限分布形式或模拟数值，不能推断刊本变化。
原文摘要
There is hardly any literature on modelling nonlinear dynamic relations involving nonnormal time series data. This is a serious lacuna because nonnormal data are far more abundant than normal ones, for example, time series of counts and positive time series. While there are various forms of nonlinearities, the class of piecewise-linear models is particularly appealing for its relative ease of tractability and interpretation. We propose to study the generalized threshold model which specifies that the conditional probability distribution of the response variable belongs to an exponential family, and the conditional mean response is linked to some piecewise-linear stochastic regression function. We introduce a likelihood-based estimation scheme, and the consistency and limiting distribution of the maximum likelihood estimator are derived. We illustrate the proposed approach with an analysis of a hare abundance time series, which gives new insights on how phase-dependent predator-prey-climate interactions shaped the ten-year hare population cycle. A simulation study is conducted to examine the finite-sample performance of the proposed estimation method.