Maximum Likelihood Estimation and Inference in Multivariate Conditionally Heteroscedastic Dynamic Regression Models With Student t Innovations
含多元 t 创新的条件异方差动态回归模型：极大似然估计与推断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：条件异方差模型及行业股票收益应用直接涉及金融波动率建模；摘要未明确研究尾部风险度量。
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…
含多元 t 创新的条件异方差动态回归模型：极大似然估计与推断
- 研究问题
- 题名关注含多元 t 创新的条件异方差动态回归：如何开展极大似然估计与推断，并检验标准化创新是否偏离多元正态分布？
- 方法与思路
- 作者推导相关 Hessian 和信息矩阵，并利用高斯伪极大似然估计下标准化创新平方范数的前两阶矩，构造单侧与双侧拉格朗日乘子检验。
- 材料陈述的贡献
- 摘要报告蒙特卡洛评估，并称英国二十六个行业股票收益的应用显示条件分布具有厚尾；相关推导提供了正态分布对多元 t 分布的检验工具。
- 阅读关注点
- 应核对多元 t 分布的参数化、自由度与正态极限的处理、两类检验的假设及渐近条件，并查看模拟和股票应用采用的均值与方差模型。
- 阅读边界
- 提供的摘要起始部分缺失，未说明完整模型设定、估计量性质或检验的具体有限样本表现；厚尾应用结论限于所述股票样本。
原文摘要
Hessian, and information matrix of conditionally heteroscedastic dynamic regression models when the conditional distribution is multivariate t. We also derive one-sided and two-sided Lagrange multiplier tests for multivariate normality versus multivariate t based on the first two moments of the squared norm of the standardized innovations evaluated at the Gaussian pseudo-maximum likelihood estimators of the conditional mean and variance parameters. Finally, we illustrate our techniques through both Monte Carlo simulations and an empirical application to 26 U.K. sectoral stock returns that confirms that their conditional distribution has fat tails.