FIXED-b ASYMPTOTICS FOR SPATIALLY DEPENDENT ROBUST NONPARAMETRIC COVARIANCE MATRIX ESTIMATORS
空间依赖稳健非参数协方差矩阵估计的 fixed-b 渐近理论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：摘要提供通用空间依赖推断理论，未明确网络互动、宏观或金融应用，现有细分方向的依据不足。
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…
空间依赖稳健非参数协方差矩阵估计的 fixed-b 渐近理论
- 研究问题
- 使用空间 HAC 协方差估计进行检验时，若平滑参数与样本量成比例，常用统计量具有怎样的极限分布？
- 方法与思路
- 作者采用 fixed-b 渐近框架，保留平滑参数比例对极限分布的影响，并通过空间数据模拟展示近似表现。
- 材料陈述的贡献
- 摘要指出该框架下空间 HAC 估计不一致而趋于非退化随机变量，其分布依赖平滑参数、核函数及空间区域形状。
- 阅读关注点
- 应核对空间区域的扩张方式、统计量与极限分布的对应关系，以及核函数、区域形状和带宽比例如何影响临界值。
- 阅读边界
- 仅据所给 Crossref 摘要；空间依赖条件、临界值计算及模拟比较细节未说明，不能推断其他版本变化。
原文摘要
This paper develops a method for performing inference using spatially dependent data. We consider test statistics formed using nonparametric covariance matrix estimators that account for heteroskedasticity and spatial correlation (spatial HAC). We provide distributions of commonly used test statistics under “fixed- b ” asymptotics, in which HAC smoothing parameters are proportional to the sample size. Under this sequence, spatial HAC estimators are not consistent but converge to nondegenerate limiting random variables that depend on the HAC smoothing parameters, the HAC kernel, and the shape of the spatial region in which the data are located. We illustrate the performance of the “fixed- b ” approximation in the spatial context through a simulation example.