More Efficient Local Polynomial Estimation in Nonparametric Regression With Autocorrelated Errors
自相关误差下更高效的非参数局部多项式估计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：摘要明确研究时间序列回归、自相关创新和弱依赖下的估计理论，直接对应时间序列方向。
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…
自相关误差下更高效的非参数局部多项式估计
- 研究问题
- 在创新过程存在自相关的时间序列非参数回归中，如何改进常规局部多项式估计，并评价其估计效率？
- 方法与思路
- 作者对因变量实施从数据估计的预白化变换，修改局部多项式估计，并在弱依赖条件下建立渐近分布。
- 材料陈述的贡献
- 摘要称，所提程序在论文设定下比常规局部多项式方法更有效率，模拟还提示中等样本量下可能获得收益。
- 阅读关注点
- 应核对预白化变换的估计方式、弱依赖与带宽条件，以及效率比较是否计入预白化估计误差和有限样本代价。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要。效率增益的条件及数值未说明，模拟所提示的收益不能推广到任意自相关过程。
原文摘要
We propose a modification of local polynomial time series regression estimators that improves efficiency when the innovation process is autocorrelated. The procedure is based on a pre-whitening transformation of the dependent variable that must be estimated from the data. We establish the asymptotic distribution of our estimator under weak dependence conditions. We show that the proposed estimation procedure is more efficient than the conventional local polynomial method. We also provide simulation evidence to suggest that gains can be achieved in moderate-sized samples.