ROBUST ESTIMATION AND INFERENCE FOR THRESHOLD MODELS WITH INTEGRATED REGRESSORS
含单整解释变量门限模型的稳健估计与推断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。
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：摘要围绕单整解释变量、序列相关及 I(0)／I(1) 误差展开，门限并未被明确描述为时间结构断点。
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…
关注这篇论文的作者
含单整解释变量门限模型的稳健估计与推断
- 研究问题
- 含单整解释变量的门限模型在门限效应逐渐减弱时如何识别和推断，并怎样兼顾内生性与误差序列相关？
- 方法与思路
- 作者分析集中最小二乘估计，以模型选择判定识别强度并构造区间，再提出 Cochrane–Orcutt FGLS 和 sup-Wald 检验。
- 材料陈述的贡献
- 摘要称区间在不同门限效应大小下具有正确渐近尺寸；扩展估计可处理 I(0) 与 I(1) 误差，并有条件性效率收益。
- 阅读关注点
- 应核对门限效应缩小速度与弱识别的关系、模型选择后区间的有效性，以及 FGLS 如何处理内生性和不同误差阶数。
- 阅读边界
- 仅据所给 Crossref 摘要；识别判定规则、稳健性条件和效率比较数值未说明，不能视为对任意误差设定均稳健。
原文摘要
This paper studies the robust estimation and inference of threshold models with integrated regressors. We derive the asymptotic distribution of the profiled least squares (LS) estimator under the diminishing threshold effect assumption that the size of the threshold effect converges to zero. Depending on how rapidly this sequence converges, the model may be identified or only weakly identified and asymptotic theorems are developed for both cases. As the convergence rate is unknown in practice, a model-selection procedure is applied to determine the model identification strength and to construct robust confidence intervals, which have the correct asymptotic size irrespective of the magnitude of the threshold effect. The model is then generalized to incorporate endogeneity and serial correlation in error terms, under which, we design a Cochrane–Orcutt feasible generalized least squares (FGLS) estimator which enjoys efficiency gains and robustness against different error specifications, including both I (0) and I (1) errors. Based on this FGLS estimator, we further develop a sup-Wald statistic to test for the existence of the threshold effect. Monte Carlo simulations show that our estimators and test statistics perform well.