LADE-based inferences for autoregressive models with heavy-tailed G-GARCH(1, 1) noise
重尾 G-GARCH(1,1) 噪声下自回归模型的 LAD 推断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：摘要直接研究自回归时间序列及 G-GARCH 条件波动噪声。
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…
重尾 G-GARCH(1,1) 噪声下自回归模型的 LAD 推断
- 研究问题
- 自回归模型的噪声具有重尾 G-GARCH 结构时，最小绝对偏差估计的收敛速度和极限分布如何随尾指数变化？
- 方法与思路
- 作者分析尾指数 α∈(1,2] 下 LAD 估计的渐近行为，刻画其与 α 稳定随机向量序列的关系，并提供模拟和实际例子。
- 材料陈述的贡献
- 摘要给出 n^(1−1/α) 的收敛速度及稳定向量线性函数形式的极限结果，并称对应最小二乘估计不一致。
- 阅读关注点
- 应核对重尾噪声与自回归参数的具体条件、极限表达式及归一化方式，以及该结果如何转化为可实施的统计推断。
- 阅读边界
- 仅据所给出版社摘要，不能把最小二乘不一致结论推广到所有重尾模型；具体正则条件、推断步骤和数值表现未说明。
原文摘要
This paper explores the least absolute deviation (LAD) estimator of the autoregressive model with heavy-tailed G-GARCH(1, 1) noise. When the tail index α∈(1,2], it is shown that the LAD estimator asymptotically converges to a linear function of a series of α-stable random vectors with a rate of convergence n1−1/α. The result is significantly different from that of the corresponding least square estimator which is not consistent, and partially solves the problem on the asymptoticity of the LAD estimator when the tail index is less than 2. A simulation study is carried out to assess the performance of the LAD estimator and a real example is given to illustrate this approach.