Gaussian Likelihood Estimation for Nearly Nonstationary AR(1) Processes
近非平稳 AR(1) 过程的高斯似然估计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：摘要明确分析近非平稳 AR(1) 模型及其似然估计和连续时间极限，直接对应时间序列方向。
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
近非平稳 AR(1) 过程的高斯似然估计
- 研究问题
- 论文研究自回归系数随样本量增大趋近一时，AR(1) 模型的均值、系数和冲击方差估计具有怎样的渐近行为。
- 方法与思路
- 作者比较精确高斯最大似然、条件最大似然或最小二乘及朴素估计，分析其连续时间 Ornstein–Uhlenbeck 极限并开展模拟。
- 材料陈述的贡献
- 摘要称，各估计量分布收敛到相应连续时间估计量；模拟显示精确 MLE 渐近均方误差较小，条件估计对过程均值表现较差。
- 阅读关注点
- 读全文时应核对系数趋近一的速度、初始值处理与均值参数化，并检查渐近均方误差比较的参数范围及模拟设计。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要未说明趋近速度、初始条件和模拟数值，其比较结论不能推广到所有近单位根模型。
原文摘要
An asymptotic analysis is presented for estimation in the three-parameter first-order autoregressive model, where the parameters are the mean, autoregressive coefficient and variance of the shocks. The nearly nonstationary asymptotic model is considered wherein the autoregressive coefficient tends to 1 as sample size tends to $\infty$. Three different estimators are considered: the exact Gaussian maximum likelihood estimator, the conditional maximum likelihood or least squares estimator and some "naive" estimators. It is shown that the estimators converge in distribution to analogous estimators for a continuous-time Ornstein-Uhlenbeck process. Simulation results show that the MLE has smaller asymptotic mean squared error then the other two, and that the conditional maximum likelihood estimator gives a very poor estimator of the process mean.