×

奇异矩矩阵的SEM建模。一: 时间序列的ML-估计。 (英语) Zbl 1202.62124号

摘要:介绍了具有确定性截距的结构方程模型(SEM)。高斯似然函数不包含样本矩矩阵的行列式,因此仅对一个统计单位进行了明确定义。将SEM应用于动态状态空间模型,并与卡尔曼滤波(KF)方法进行了比较。两种方法的可能性都是等价的,但对于长时间序列,SEM方法会出现数值问题,这些问题可以追溯到潜在状态协方差矩阵的反演。两种方法在几个方面进行了比较。SEM方法现在可以对具有相关单位的面板数据进行具体分析和估计。

MSC公司:

62M10个 统计学中的时间序列、自相关、回归等(GARCH)
62M20型 随机过程推断和预测
62第20页 统计学在经济学中的应用
65C60个 统计中的计算问题(MSC2010)

软件:

LSDE公司
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] 内政部:10.1007/BF02479833·Zbl 0335.62058号 ·doi:10.1007/BF02479833
[2] Arminger G.,Lineare Modelle zur Analyze von Paneldaten[面板数据分析的线性模型](1990)·doi:10.1007/978-3-3222-88758-0
[3] Bollerslev T.,《计量经济学手册》4,第2959页–(1994年)
[4] Caines P.,线性随机系统(1988)·Zbl 0658.93003号
[5] Dennis J.,无约束优化和非线性方程的数值方法(1983)·Zbl 0579.65058号
[6] Golub G.,矩阵计算,3。编辑(1996)·Zbl 0865.65009号
[7] Jazwinski A.,随机过程和过滤理论(1970)·Zbl 0203.50101号
[8] Liptser R.,随机过程统计1,2。编辑(2001)
[9] Magnus J.R.,矩阵微分学,2。编辑(1999)·Zbl 0912.15003号
[10] Mardia K.,多元分析(1979)
[11] Möbus C.,Hypothesenprüfung,第5乐队,《精神病学》第239页–(1983)
[12] DOI:10.1016/S1041-6080(00)80001-1·doi:10.1016/S1041-6080(00)80001-1
[13] Oud J.,行为科学中纵向和多元分析的进展,第3页–(1993)
[14] 内政部:10.1109/TIT.1965.1053737·Zbl 0127.10805号 ·doi:10.1109/TIT.1965.1053737号文件
[15] Singer H.,zeitkontinuierlichen dynamicschen sy-stemen中的参数schätzung[连续时间动力系统中的参数估计](1990)
[16] Singer H.,LSDE–线性随机微分方程的模拟、图形显示、最优滤波和最大似然估计程序包,用户指南(1991)
[17] 数字对象标识码:10.1111/j.1467-9892.1993.tb00162.x·Zbl 0780.62064号 ·doi:10.1111/j.1467-9892.1993.tb00162.x
[18] 内政部:10.1017/S0266466600009701·Zbl 04527980号 ·doi:10.1017/S0266466600009701
[19] Singer H.,欧洲方法论协会(EAM)方法论和统计系列:第2卷。行为和相关科学的纵向模型第73页–(2007年)
[20] Singer H.,Statistica Neerlandica,第62页,第29页–(2008年)
[21] Singer,H.(2009)。奇异矩矩阵的SEM建模。第二部分:抽样随机微分方程的ML估计(Diskussions-beiträge Fakultät Wirtschaftswessenschaft Nr.442)。德国哈根:FernUniversität。检索日期:2010年8月25日,摘自http://www.fernuni-hagen.de/FBWIWI/forschung/beitraege/pdf/db442.pdf
[22] Söderström T.,《系统识别》(1989)
[23] 内政部:10.1016/0304-4076(83)90066-0·Zbl 0534.62083号 ·doi:10.1016/0304-4076(83)90066-0
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。