Empirical likelihood approach for high-dimensional moment restrictions with dependent data
依赖数据下高维矩约束的经验似然方法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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确列举多变量时间序列、VAR、局部投影和波动模型，并包含财政乘数及银行波动溢出应用。
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…
依赖数据下高维矩约束的经验似然方法
- 研究问题
- 当动态经济金融模型的参数和矩条件数量可能超过样本量时，如何在时间依赖下进行稀疏估计并获得渐近保证？
- 方法与思路
- 作者在边际经验似然准则中加入双重惩罚，以促进稀疏性和降维，并以蒙特卡洛及通胀、财政乘数和银行波动溢出应用检验方法。
- 材料陈述的贡献
- 摘要称，方法在正则条件下具有渐近保证，能够统一处理多种大型多变量时间序列模型，并展示跨应用场景的可用性。
- 阅读关注点
- 应核对双重惩罚分别作用于哪些对象、时间依赖如何进入理论，以及维度增长、稀疏性、调参和推断所需的具体条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收状态未核实。摘要未说明正则条件、允许的维度增长率或比较结果，不能判断普遍优越性。
原文摘要
Economic and financial models -- such as vector autoregressions, local projections, and multivariate volatility models -- feature complex dynamic interactions and spillovers across many time series. These models can be integrated into a unified framework, with high-dimensional parameters identified by moment conditions. As the number of parameters and moment conditions may surpass the sample size, we propose adding a double penalty to the empirical likelihood criterion to induce sparsity and facilitate dimension reduction. Notably, we utilize a marginal empirical likelihood approach despite temporal dependence in the data. Under regularity conditions, we provide asymptotic guarantees for our method, making it an attractive option for estimating large-scale multivariate time series models. We demonstrate the versatility of our procedure through extensive Monte Carlo simulations and three empirical applications, including analyses of US sectoral inflation rates, fiscal multipliers, and volatility spillover in China's banking sector.