时间序列的在线广义矩方法

近年来，由于分析大规模流数据的迫切需求，在线学习日益流行，这些数据可以无限期收集且具有序列依赖性。这促使我们开发了在线广义矩方法（OGMM），这是一种在时间序列背景下进行显式更新的估计与推断框架。OGMM继承了离线GMM的许多特性，例如其在计量经济学和统计学中许多问题的广泛适用性、对过度识别的自然适应，以及在时间依赖性下实现半参数效率。作为一种在线方法，相对于离线GMM的关键优势在于时间复杂度和内存需求的大幅改善。基于OGMM框架，我们借鉴计量经济学和统计学领域的最新研究，提出了改进版的在线Sargan-Hansen检验和结构稳定性检验。通过蒙特卡洛模拟，我们在在线工具变量回归、在线过度识别约束检验、在线分位数回归和在线异常检测中观察到了令人鼓舞的有限样本表现。本文还展示了OGMM在随机波动率建模和惯性传感器校准中的有趣应用，以证明OGMM的有效性。