Unlocking the Regression Space
拓展回归模型的适用空间AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦一般回归与稳健标准误，虽提到时变参数和缺失数据，但未明确时间序列、面板或因果结构，领域细分证据不足。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
拓展回归模型的适用空间
- 研究问题
- 在回归变量与噪声均具有广泛异质性时，固定或时变参数模型能否继续用最小二乘估计，并得到可靠的标准误与置信区间？
- 方法与思路
- 作者建立容纳一般异质性的回归框架，分别使用 OLS 与时变 OLS 估计参数，并发展渐近理论及计算简便的稳健标准误。
- 材料陈述的贡献
- 摘要称，所得标准误与 White 异方差稳健形式一致，但适用条件更广，包括部分缺失数据模型；模拟表现良好，并提供简短实证示例。
- 阅读关注点
- 应核对异质性与依赖性允许到何种程度、时变参数的估计方式、缺失机制限制，以及 White 形式在扩大条件下有效的证明。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未具体描述新增条件范围、缺失机制或模拟数值，不能认定任意数据都适用。
原文摘要
This paper introduces and analyzes a framework that accommodates general heterogeneity in regression modeling. It demonstrates that regression models with fixed or time-varying parameters can be estimated using the OLS and time-varying OLS methods, respectively, across a broad class of regressors and noise processes not covered by existing theory. The proposed setting facilitates the development of asymptotic theory and the estimation of robust standard errors. The robust confidence interval estimators accommodate substantial heterogeneity in both regressors and noise. The resulting robust standard error estimates coincide with White's (1980) heteroskedasticity-consistent estimator but are applicable to a broader range of conditions, including models with missing data. They are computationally simple and perform well in Monte Carlo simulations. Their robustness, generality, and ease of implementation make them highly suitable for empirical applications. Finally, the paper provides a brief empirical illustration.