Estimation for partially nonstationary multivariate autoregressive models with conditional heteroscedasticity
条件异方差下部分非平稳多元自回归模型的估计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：摘要明确研究多元自回归时间序列的非平稳性与条件异方差，未涉及冲击识别或明确金融波动应用。
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…
条件异方差下部分非平稳多元自回归模型的估计
- 研究问题
- 当部分非平稳多元自回归模型的创新服从多元 ARCH 过程时，最小二乘与满秩、降秩最大似然估计的渐近分布如何变化？
- 方法与思路
- 作者推导三类估计量的渐近分布，比较条件异方差与恒定协方差情形，并通过模拟及一个经验例子考察估计表现和模型特征。
- 材料陈述的贡献
- 摘要称，ARCH 情形改变两类最大似然估计的极限分布，其涉及相关多元布朗运动；模拟中两类估计比最小二乘更有效率。
- 阅读关注点
- 应核对非平稳部分与秩约束的设定、ARCH 条件和极限分布的归一化，以及模拟效率指标和经验例子的诊断依据。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；具体假设、效率差异与应用数据未提供，不能将模拟中的效率优势视为普遍结论。
原文摘要
This paper investigates a partially nonstationary multivariate autoregressive model, which allows its innovations to be generated by a multivariate ARCH, autoregressive conditional heteroscedastic, process. Three estimators, including the least squares estimator, a full‐rank maximum likelihood estimator and a reduced‐rank maximum likelihood estimator, are considered and their asymptotic distributions are derived. When the multivariate ARCH process reduces to the innovation with a constant covariance matrix, these asymptotic distributions are the same as those given by Ahn & Reinsel (1990). However, in the presence of multivariate ARCH innovations, the asymptotic distributions of the full‐rank maximum likelihood estimator and the reduced‐rank maximum likelihood estimator involve two correlated multivariate Brownian motions, which are dierent from those given by Ahn & Reinsel (1990). Simulation results show that the full‐rank and reduced‐rank maximum likelihood estimator are more ecient than the least squares estimator. An empirical example shows that the two features of multivariate conditional heteroscedasticity and partial nonstationarity may be present simultaneously in a multivariate time series.