THE LIVE METHOD FOR GENERALIZED ADDITIVE VOLATILITY MODELS
广义可加波动模型的 LIVE 方法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：题名涉及波动模型，摘要明确覆盖 ARCH 与 AR 等非参数时间序列模型。
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
广义可加波动模型的 LIVE 方法
- 研究问题
- 如何估计涵盖多种 ARCH 与 AR 模型的可分离非参数时间序列模型，并改善相对边际积分或投影方法的计算及统计表现？
- 方法与思路
- 作者提出将经典工具变量方法局部化的 LIVE 估计程序，并进一步考虑基于似然的两步方法，用于新的可分离非参数时间序列模型。
- 材料陈述的贡献
- 摘要称，LIVE 相比边际积分或投影方法具有计算优势，两步似然程序还能带来渐近与有限样本表现的改善，但未给出幅度。
- 阅读关注点
- 应核对可分离模型的限制、局部工具变量与带宽选择，以及两步似然方法所需条件，并查看比较基准、计算成本和表现指标。
- 阅读边界
- 仅据所给 RePEc 出版社摘要解读；工具变量构造、识别条件和具体数值未说明，计算与性能优势不能外推至所有模型或样本。
原文摘要
We investigate a new separable nonparametric model for time series, which includes many autoregressive conditional heteroskedastic (ARCH) models and autoregressive (AR) models already discussed in the literature. We also propose a new estimation procedure called LIVE, or local instrumental variable estimation, that is based on a localization of the classical instrumental variable method. Our method has considerable computational advantages over the competing marginal integration or projection method. We also consider a more efficient two-step likelihood-based procedure and show that this yields both asymptotic and finite-sample performance gains.This paper is based on Chapter 2 of the first author's Ph.D. dissertation from Yale University. We thank Wolfgang Härdle, Joel Horowitz, Peter Phillips, and Dag Tjøstheim for helpful discussions. We are also grateful to Donald Andrews and two anonymous referees for valuable comments. The second author thanks the National Science Foundation and the ESRC for financial support.