Simultaneous inference for time-varying models
时变模型的同时推断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：摘要明确讨论非平稳时间序列及自回归推断，并以时变 ARCH、GARCH 检验表现，支持时间序列与波动率分类。
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…
时变模型的同时推断
- 研究问题
- 研究一般非平稳时间序列中，如何对时变系数进行估计并构造同时置信带，以反映整段系数函数估计的不确定性。
- 方法与思路
- 作者采用局部线性 M 估计，推导弱 Bahadur 表示以构造同时置信带，并提出 bootstrap 方法应对理论置信带缓慢的对数收敛。
- 材料陈述的贡献
- 摘要称，结果推广并统一多种时变回归与自回归模型的推断，模拟考察时变 ARCH 和 GARCH，并提供金融数据应用。
- 阅读关注点
- 应核对非平稳过程与损失函数的允许范围、带宽和依赖条件，以及 bootstrap 对同时覆盖率的有效性和边界点处理。
- 阅读边界
- 所给出版社摘要未说明完整正则条件、覆盖率数值或实际计算步骤，不能认定方法适用于任意非平稳过程或所有时变波动模型。
原文摘要
A general class of non-stationary time series is considered in this paper. We estimate the time-varying coefficients by using local linear M-estimation. For these estimators, weak Bahadur representations are obtained and are used to construct simultaneous confidence bands. For practical implementation, we propose a bootstrap based method to circumvent the slow logarithmic convergence of the theoretical simultaneous bands. Our results substantially generalize and unify the treatments for several time-varying regression and auto-regression models. The performance for tvARCH and tvGARCH models is studied in simulations and a few real-life applications of our study are presented through the analysis of some popular financial datasets.