R-estimation in semiparametric dynamic location-scale models
半参数动态位置—尺度模型的秩估计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：摘要明确研究条件位置或尺度随参数变化的动态时间序列模型及其估计。
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
半参数动态位置—尺度模型的秩估计
- 研究问题
- 在条件位置或尺度由有限维参数决定、创新密度未知的时间序列模型中，如何构造兼顾稳健渐近性质与半参数效率的估计量？
- 方法与思路
- 作者构造基于秩的 R 估计量，在预先指定的参考密度处达到半参数效率，同时避免切空间计算及创新密度的直接估计。
- 材料陈述的贡献
- 摘要称，估计量在实际创新密度不同于参考密度时仍保持根号 n 一致性与渐近正态性，并通过模拟和真实数据展示表现。
- 阅读关注点
- 核对参考密度对应的秩分数构造、初始估计和正则条件，并区分参考密度处的效率结论与其他密度下的渐近有效性。
- 阅读边界
- 仅据所给出版社摘要，无法确定对创新密度和动态模型的限制；效率结论针对指定参考密度，不能据此宣称对所有密度都最有效。
原文摘要
We propose rank-based estimation (R-estimators) as an alternative to Gaussian quasi-likelihood and standard semiparametric estimation in time series models, where conditional location and/or scale depend on a Euclidean parameter of interest, while the unspecified innovation density is a nuisance. We show how to construct R-estimators achieving semiparametric efficiency at some predetermined reference density while preserving root-n consistency and asymptotic normality irrespective of the actual density. Contrary to the standard semiparametric estimators, our R-estimators neither require tangent space calculations nor innovation density estimation. Numerical examples illustrate their good performances on simulated and real data.