Penalized Quasi-likelihood Estimation and Model Selection in Time Series Models with Parameters on the Boundary
参数位于边界的时间序列模型：惩罚准似然估计与模型选择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：摘要明确研究时间序列依赖，并以 ARCH 模型和股票收益的时变波动率作为应用。
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
参数位于边界的时间序列模型：惩罚准似然估计与模型选择
- 研究问题
- 时间序列模型的部分参数受非负约束且可能位于边界时，如何同时进行模型选择与估计，处理传统极限分布的非标准性？
- 方法与思路
- 作者将惩罚似然估计与模型选择理论扩展到非负参数约束和时间依赖情形，并应用于 ARCH 波动率模型及股票收益数据。
- 材料陈述的贡献
- 摘要称联合选择与估计可得到标准渐近高斯分布，并报告较多参数下的良好模拟表现及所选 ARCH 模型的经验拟合结果。
- 阅读关注点
- 应核对惩罚函数及调参条件、零参数与保留参数各自的极限行为，以及模型选择后推断和长记忆解释的依据。
- 阅读边界
- 来源为 arXiv 预印本，同行评审及期刊接收未经核实；摘要未说明高斯结论的参数范围和正则条件，模拟表现也未给出数值。
原文摘要
We extend the theory from Fan and Li (2001) on penalized likelihood-based estimation and model-selection to statistical and econometric models which allow for non-negativity constraints on some or all of the parameters, as well as time-series dependence. It differs from classic non-penalized likelihood estimation, where limiting distributions of likelihood-based estimators and test-statistics are non-standard, and depend on the unknown number of parameters on the boundary of the parameter space. Specifically, we establish that the joint model selection and estimation, results in standard asymptotic Gaussian distributed estimators. The results are applied to the rich class of autoregressive conditional heteroskedastic (ARCH) models for the modelling of time-varying volatility. We find from simulations that the penalized estimation and model-selection works surprisingly well even for a large number of parameters. A simple empirical illustration for stock-market returns data confirms the ability of the penalized estimation to select ARCH models which fit nicely the autocorrelation function, as well as confirms the stylized fact of long-memory in financial time series data.