Generalized Covariance Estimator
广义协方差估计量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：摘要明确针对 VAR、双重自回归和随机波动等动态模型估计序列依赖，因此归入时间序列。
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
广义协方差估计量
- 研究问题
- 对于具有独立同分布误差的半参数动态模型，如何估计非线性序列依赖参数，并构造可解释且计算便利的残差诊断？
- 方法与思路
- 作者以残差多变量 Portmanteau 统计量为目标函数构造广义协方差估计量，适用于混合因果—非因果 VAR 等动态模型。
- 材料陈述的贡献
- 摘要称估计量可一步实现半参数效率并避免高维矩阵求逆，同时给出估计渐近性质和残差统计量的卡方极限。
- 阅读关注点
- 应核对独立同分布误差、模型识别和半参数效率界的条件，以及残差变换、滞后数量和商品期货应用的模型设定。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要，不能将效率结论推广到所有动态模型；完整条件、证明及数值表现未说明，未核对刊本变化。
原文摘要
We consider a class of semi-parametric dynamic models with iid errors, including the nonlinear mixed causal-noncausal Vector Autoregressive (VAR), Double-Autoregressive (DAR) and stochastic volatility models. To estimate the parameters characterizing the (nonlinear) serial dependence, we introduce a generic Generalized Covariance (GCov) estimator, which minimizes a residual-based multivariate portmanteau statistic. In comparison to the standard methods of moments, the GCov estimator has an interpretable objective function, circumvents the inversion of high-dimensional matrices, and achieves semi-parametric efficiency in one step. We derive the asymptotic properties of the GCov estimator and show its semi-parametric efficiency. We also prove that the associated residual-based portmanteau statistic is asymptotically chi-square distributed. The finite sample performance of the GCov estimator is illustrated in a simulation study. The estimator is then applied to a dynamic model of commodity futures.