Notice bibliographique
Résumé
We in this article propose a novel non‐parametric estimator for the volatility function within a broad context that encompasses nonlinear time series models as a special case. The new estimator, built on the mode value, is designed to complement existing mean volatility measures to reveal distinct data features. We demonstrate that the suggested modal volatility estimator can be obtained asymptotically as well as if the conditional mean regression function were known, assuming observations are from a strictly stationary and absolutely regular process. Under mild regularity conditions, we establish that the asymptotic distributions of the resulting estimator align with those derived from independent observations, albeit with a slower convergence rate compared to non‐parametric mean regression. The theory and practice of bandwidth selection are discussed. Moreover, we put forward a variance reduction technique for the modal volatility estimator to attain asymptotic relative efficiency while maintaining the asymptotic bias unchanged. We numerically solve the modal regression model with the use of a modified modal‐expectation‐maximization algorithm. Monte Carlo simulations are conducted to assess the finite sample performance of the developed estimation procedure. Two real data analyses are presented to further illustrate the newly proposed model in practical applications. To potentially enhance the accuracy of the bias term, we in the end discuss the extension of the method to local exponential modal estimation. We showcase that the suggested exponential modal volatility estimator shares the same asymptotic variance as the non‐parametric modal volatility estimator but may exhibit a smaller bias.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».