Optimal weights depend on the condi

Optimal weights depend on the conditional variance of the vector martingale increment and its partial derivative with respect to parameters φ and can be estimated using two step approach. It can be shown that the MEF method produces strictly more efficient estimators than GMM (except in the case when they coincide). MEF approach can be further extended to account for mixed frequency data and latent variables. Data at lower frequency (e.g. output observed quarterly instead of monthly) can be treated as if some observations are missing. The authors suggest to replace the missing values by conditional predictions under the model at hand given the actual observations. Latent variables (e.g. daily rental rate of capital) can be simulated using the process implied by the model. The simulated paths can later be used to compute the conditional expectation needed for the MEF approach.

ผลลัพธ์ (ไทย) 1:

น้ำหนักที่เหมาะสมขึ้นกับความแปรปรวนตามเงื่อนไขของการเพิ่มขึ้นของ martingale เวกเตอร์และอนุพันธ์ของมันบางส่วนเกี่ยวกับพารามิเตอร์φ และสามารถจะประเมินโดยใช้วิธีการสองขั้นตอน มันสามารถจะแสดงให้เห็นว่า วิธี MEF estimators ประสิทธิภาพอย่างเคร่งครัดมากขึ้นกว่าอสมท (ยกเว้นในกรณีเมื่อสอดคล้อง) วิธี MEF สามารถขยายเพิ่มเติมบัญชีสำหรับผสมความถี่ข้อมูลและตัวแปรแฝง สามารถรักษาข้อมูลที่ความถี่ต่ำ (เช่นผลผลิตปฏิบัติแทนรายเดือนรายไตรมาส) ว่าข้อสังเกตบางประการขาดหายไป ผู้เขียนแนะนำให้แทนค่าหายไป โดยการคาดคะเนเงื่อนไขภายใต้แบบที่มือให้สังเกตจริง สามารถจำลองตัวแปรแฝง (เช่นทุกวันเช่าราคาทุน) โดยใช้กระบวนการที่บ่งบอก โดยแบบจำลอง สามารถใช้เส้นทางจำลองเพื่อคำนวณความคาดหวังแบบมีเงื่อนไขที่จำเป็นสำหรับวิธี MEF ภายหลัง

ผลลัพธ์ (ไทย) 2:

น้ำหนักที่เหมาะสมขึ้นอยู่กับเงื่อนไขความแปรปรวนของการเพิ่มขึ้นเวกเตอร์บังเหียนและอนุพันธ์บางส่วนด้วยความเคารพต่อพารามิเตอร์φและสามารถประมาณได้ใช้วิธีการขั้นตอนที่สอง ก็สามารถที่จะแสดงให้เห็นว่าวิธีการผลิตประมาณ MEF อย่างเคร่งครัดมีประสิทธิภาพมากขึ้นกว่า GMM (ยกเว้นในกรณีที่เมื่อพวกเขาเหมือนกัน) วิธี MEF สามารถขยายเพิ่มเติมไปยังบัญชีสำหรับข้อมูลความถี่ผสมและตัวแปรแฝง ข้อมูลที่ความถี่ต่ำ (เช่นการส่งออกไตรมาสสังเกตแทนรายเดือน) สามารถรักษาได้เช่นถ้าสังเกตบางอย่างที่ขาดหายไป ผู้เขียนขอแนะนำเพื่อแทนที่ค่าที่ขาดหายไปจากการคาดการณ์ตามเงื่อนไขภายใต้รูปแบบที่อยู่ในมือให้สังเกตที่เกิดขึ้นจริง ตัวแปรแฝง (เช่นอัตราค่าเช่ารายวันของเงินทุน) สามารถจำลองการใช้กระบวนการโดยนัยรุ่น เส้นทางจำลองสามารถมาใช้ในการคำนวณความคาดหวังที่มีเงื่อนไขที่จำเป็นสำหรับวิธีการ MEF

ผลลัพธ์ (ไทย) 3:

น้ำหนักที่เหมาะสมขึ้นอยู่กับ conditional variance ของเวกเตอร์ Martingale เพิ่มและอนุพันธ์ย่อยด้วยความเคารพφพารามิเตอร์และสามารถประเมินโดยใช้วิธีการสองขั้นตอน . มันสามารถแสดงให้เห็นว่าวิธีการผลิตที่มีประสิทธิภาพ หน่วยงานภายใต้ประมาณอย่างเคร่งครัดมากขึ้นกว่า GMM ( ยกเว้นในกรณีที่เมื่อพวกเขาตรงกัน ) หน่วยงานภายใต้แนวทางที่สามารถเพิ่มเติมขยายบัญชีข้อมูลความถี่ผสมและตัวแปรแฝง ข้อมูลที่ความถี่ต่ำ ( เช่น ออกตรวจสอบรายไตรมาสแทนรายเดือน ) สามารถรักษาได้ ถ้าสังเกตบางอย่างหายไป ผู้เขียนขอแนะนำให้เปลี่ยนค่าสูญหาย โดยมีการคาดการณ์ตามรูปแบบ ในมือให้สังเกตที่เกิดขึ้นจริง ตัวแปรแฝง ( อัตราค่าเช่ารายวัน เช่น ทุน ) สามารถจำลองโดยใช้กระบวนการโดยนัย โดยนางแบบ โดยเส้นทางที่สามารถมาใช้คำนวณเงื่อนไขความคาดหวังที่จำเป็นสำหรับหน่วยงานภายใต้แนวทาง