ScholarGate
Assistent
Regression modelEconometrics / time series

Robuster TGARCH — Threshold GARCH mit robuster Schätzung

Robuster TGARCH erweitert das Threshold GARCH-Modell, indem das konventionelle Maximum-Likelihood-Ziel durch einen Schätzer ersetzt wird, der gegenüber Innovationen mit schweren Rändern und Ausreißerbeobachtungen unempfindlich ist. Es erfasst asymmetrische Volatilitätsreaktionen – bei denen negative Schocks die Varianz stärker verstärken als positive Schocks –, während es zuverlässig bleibt, wenn die Verteilung der Renditen stark von der Normalität abweicht.

Mit EconMind anwendenDemnächstVideoDemnächstDownload slides

Die vollständige Methode lesen

Nur für Mitglieder

Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.

Anmelden

Method map

The neighbourhood of related methods — select a node to explore.

Quellen

  1. Zakoian, J.-M. (1994). Threshold heteroskedastic models. Journal of Economic Dynamics and Control, 18(5), 931–955. DOI: 10.1016/0165-1889(94)90039-6
  2. Preminger, A., & Storti, G. (2017). Least squares estimation for GARCH (1,1) model with heavy tailed errors. The Econometrics Journal, 20(1), 221–258. link

So zitieren Sie diese Seite

ScholarGate. (2026, June 3). Robust Threshold Generalized Autoregressive Conditional Heteroscedasticity Model. ScholarGate. https://scholargate.app/de/econometrics/robust-tgarch

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side

Referenziert von

ScholarGateRobust TGARCH (Robust Threshold Generalized Autoregressive Conditional Heteroscedasticity Model). Abgerufen am 2026-06-15 von https://scholargate.app/de/econometrics/robust-tgarch · Datensatz: https://doi.org/10.5281/zenodo.20539026