INGARCH(1,1)模型参数估计:矩估计与Bayes方法
需积分: 12 161 浏览量
更新于2024-08-08
收藏 219KB PDF 举报
"这篇论文是关于INGARCH(1,1)模型参数的矩估计和Bayes估计的研究,发表于2009年的《吉林大学学报(理学版)》第47卷第5期,由朱复康和李琦撰写。文章探讨了在整值时间序列数据分析中,如何利用矩方法和Bayes方法对INGARCH(1,1)模型的参数进行估计,并证明了矩估计量具有强相合性和渐近正态性。通过模拟实验,证实了这两种估计方法的有效性。该研究涉及统计学、概率论以及金融时间序列分析等领域,对理解和应用INGARCH模型有重要的理论与实践意义。"
INGARCH(1,1)模型是一种广义自回归条件异方差模型(GARCH)的变种,适用于处理整数值的时间序列数据,如金融市场中的交易计数或病患人数等。GARCH模型通常用于捕捉时间序列数据中的波动聚集现象,即数据的方差不是固定不变,而是随着时间的演变而变化。在INGARCH(1,1)模型中,当前观测值不仅受到过去观测值的影响,还受到过去残差平方的影响,这使得模型能够更好地描述数据的动态特性。
矩估计法是一种常见的参数估计方法,通过找到使样本矩与理论矩相等的参数值来估计未知参数。在本文中,作者证明了矩估计量在估计INGARCH(1,1)模型参数时具有强相合性,这意味着随着样本大小的增加,矩估计将趋向于真实参数值。此外,还证明了矩估计量的渐近正态性,这表明当样本足够大时,矩估计量的概率分布接近正态分布,为参数的置信区间和假设检验提供了理论基础。
Bayes估计则是基于贝叶斯统计理论的参数估计方法,它考虑了先验信息对参数估计的影响。在INGARCH模型的背景下,作者可能采用了后验分布来估计参数,考虑了观测数据和先验信息的联合影响。通过模拟研究,作者发现Bayes估计量也表现出了良好的估计性能,与矩估计相当。
这篇论文对于理解和应用INGARCH(1,1)模型在处理整值时间序列数据时的参数估计提供了重要的理论依据,无论是矩估计还是Bayes估计,都为实际数据分析提供了可靠的方法选择。这对于金融风险管理和公共卫生等领域具有实用价值。
2021-05-06 上传
2019-12-29 上传
点击了解资源详情
2024-10-26 上传
2024-10-25 上传
2024-10-25 上传
weixin_38605188
- 粉丝: 9
- 资源: 924
最新资源
- ES管理利器:ES Head工具详解
- Layui前端UI框架压缩包:轻量级的Web界面构建利器
- WPF 字体布局问题解决方法与应用案例
- 响应式网页布局教程:CSS实现全平台适配
- Windows平台Elasticsearch 8.10.2版发布
- ICEY开源小程序:定时显示极限值提醒
- MATLAB条形图绘制指南:从入门到进阶技巧全解析
- WPF实现任务管理器进程分组逻辑教程解析
- C#编程实现显卡硬件信息的获取方法
- 前端世界核心-HTML+CSS+JS团队服务网页模板开发
- 精选SQL面试题大汇总
- Nacos Server 1.2.1在Linux系统的安装包介绍
- 易语言MySQL支持库3.0#0版全新升级与使用指南
- 快乐足球响应式网页模板:前端开发全技能秘籍
- OpenEuler4.19内核发布:国产操作系统的里程碑
- Boyue Zheng的LeetCode Python解答集