USING SUBSPACE METHODS FOR ESTIMATING ARMA MODELS FOR MULTIVARIATE TIME SERIES WITH CONDITIONALLY HETEROSKEDASTIC INNOVATIONS
条件异方差创新下多元 ARMA 模型的子空间估计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：摘要直接研究平稳多元 ARMA 条件均值、子空间估计和模型阶数选择。
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
条件异方差创新下多元 ARMA 模型的子空间估计
- 研究问题
- 平稳多元时间序列的创新具有条件异方差时，子空间方法能否有效估计 ARMA 条件均值模型，并实现可靠的阶数选择？
- 方法与思路
- 作者使用一类子空间方法估计线性动态模型，推导一致性和渐近正态条件，与高斯准极大似然比较渐近分布并分析阶数估计。
- 材料陈述的贡献
- 摘要称在所需创新条件下，子空间估计与高斯准极大似然具有相同渐近分布，并提出阶数估计方法；计算优势在高维序列尤其明显。
- 阅读关注点
- 应核对子空间算法及维数设置、条件异方差创新所需限制，以及渐近等价和阶数估计结论各自依赖的假设。
- 阅读边界
- 仅据所给 Crossref 摘要，无法量化计算优势或有限样本精度；条件均值估计的结果不能自动视为条件方差模型的估计结果。
原文摘要
This paper deals with the estimation of linear dynamic models of the autoregressive moving average type for the conditional mean for stationary time series with conditionally heteroskedastic innovation process. Estimation is performed using a particular class of subspace methods that are known to have computational advantages as compared to estimation based on criterion minimization. These advantages are especially strong for high-dimensional time series. Conditions to ensure consistency and asymptotic normality of the subspace estimators are derived in this paper. Moreover asymptotic equivalence to quasi maximum likelihood estimators based on the Gaussian likelihood in terms of the asymptotic distribution is proved under mild assumptions on the innovations. Furthermore order estimation techniques are proposed and analyzed.