Inference in a Stationary/Nonstationary Autoregressive Time-Varying-Parameter Model
平稳与非平稳时变参数自回归模型中的推断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。
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：摘要直接研究时变 AR(1)、单位根和时间序列推断，因此归入时间序列方向。
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
平稳与非平稳时变参数自回归模型中的推断
- 研究问题
- 当一阶自回归参数随时间确定性变化，并在平稳、单位根及局部单位根状态之间平滑转换时，如何进行逐时点有效推断？
- 方法与思路
- 作者使用局部最小二乘估计时点自回归参数，处理相关初始条件的内生性，并推导不同局部状态下估计量和 t 统计量的极限分布。
- 材料陈述的贡献
- 摘要称，相关极限结果可构造置信区间及中位数无偏区间估计，置信区间在平稳和非平稳行为上具有统一的渐近覆盖率。
- 阅读关注点
- 应核对参数路径和带宽条件、内生初始值的处理，以及统一覆盖结论的参数集合与不同局部状态下区间的具体构造。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收均未核实；摘要未列出正则条件，渐近覆盖结论不能直接视为有限样本保证。
原文摘要
This paper considers nonparametric estimation and inference in first-order autoregressive (AR(1)) models with deterministically time-varying parameters. A key feature of the proposed approach is to allow for time-varying stationarity in some time periods, time-varying nonstationarity (i.e., unit root or local-to-unit root behavior) in other periods, and smooth transitions between the two. The estimation of the AR parameter at any time point is based on a local least squares regression method, where the relevant initial condition is endogenous. We obtain limit distributions for the AR parameter estimator and t-statistic at a given point $τ$ in time when the parameter exhibits unit root, local-to-unity, or stationary/stationary-like behavior at time $τ$. These results are used to construct confidence intervals and median-unbiased interval estimators for the AR parameter at any specified point in time. The confidence intervals have correct asymptotic coverage probabilities with the coverage holding uniformly over stationary and nonstationary behavior of the observations.