您好,欢迎来到聚文网。 登录 免费注册
高维因子模型的极大似然分析 理论与方法

高维因子模型的极大似然分析 理论与方法

  • 装帧: 平装
  • 出版社: 商务印书馆
  • 作者: 李鲲鹏
  • 出版日期: 2020-01-01
  • 商品条码: 9787100169011
  • 版次: 1
  • 开本: 16开
  • 页数: 259
  • 出版年份: 2020
定价:¥58 销售价:登录后查看价格  ¥{{selectedSku?.salePrice}} 
库存: {{selectedSku?.stock}} 库存充足
{{item.title}}:
{{its.name}}
精选
内容简介
本书的主要内容是系统地研究了用极大似然方法来估计高维因子模型,并分析了极大似然估计量的统计性质。本书首次为高维因子模型的极大似然分析建立了分析框架。在第二章,极大似然分析框架得以确立。第三章和第四章将新的分析框架推广到存在交互效应的面板数据模型中。最后一章,讨论了两个与新的分析框架相关的问题:高维因子模型中样本识别条件与总体识别条件的问题,以及交互效应面板模型中解释变量因子结构假定的问题。同时,本书还指出了两个重要且有意义的研究方向。
目录
第一章 绪论
第一节 引言
第二节 高维数据的困境
第三节 高维因子模型:理论进展与局限
第四节 结构以及相关数学符号说明
第二章 高维因子模型的极大似然分析
第一节 引言
第二节 模型的假定
第三节 模型的估计
第四节 对称性以及表达式的选择
第五节 识别条件
第六节 极大似然估计量的渐近性质
第七节 因子估计量的渐近性质
第八节 EM算法
第九节 有限样本性质
第十节 结论
第十一节 附录:理论结果的详细证明
第三章 交互效应面板数据模型:基准
第一节 引言
第二节 研究的背景及其文献评述
第三节 模型的假定
第四节 模型的估计
第五节 估计量的渐近性质
第六节 ECM算法
第七节 有限样本性质
第八节 结论
第九节 附录:理论结果的详细证明
第四章 广义交互效应面板数据模型
第一节 引言
第二节 识别条件
第三节 估计方法
第四节 估计量的渐近性质
第五节 ECM算法
第六节 有限样本性质
第七节 结论
第八节 附录:理论结果的详细证明
第五章 结论
第一节 结论性评述
第二节 进一步研究的方向
附录 第三章基准模型的MCMC算法
参考文献
后记

蜀ICP备2024047804号

Copyright 版权所有 © jvwen.com 聚文网