Positive-Definite Converging Kernel Estimation of Long-Run Variance
长期方差的正定收敛核估计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：摘要研究时间序列的长期方差、核估计与预白化，并应用于预测失效检验，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…
关注这篇论文的作者
长期方差的正定收敛核估计
- 研究问题
- 如何在长期方差核估计中兼顾均方误差效率、正定性与预白化稳健性，并减少带宽选择对具体模型的依赖？
- 方法与思路
- 作者提出收敛核估计类，以聚合技术保证正定性，并引入收缩预白化变换；摘要称最优带宽选择不依赖具体模型。
- 材料陈述的贡献
- 摘要称该方法保持理论效率，预白化误设不损害渐近效率，且具有随样本量减小的正偏差，并可推广至多变量情形。
- 阅读关注点
- 核对收敛核的构造、聚合权重、最优带宽准则与渐近条件，重点查看预白化误设的允许范围和预测失效检验的实现。
- 阅读边界
- 仅据所给 OpenAlex 摘要，未核对全文及刊本变化；正偏差不直接保证检验保守性，效率与有限样本改善的适用条件未说明。
原文摘要
Kernel estimators have been popular for decades in long-run variance estimation.To minimize the loss of efficiency measured by the mean-squared error in important aspects of kernel estimation, we propose a novel class of converging kernel estimators with three major properties: (a) the optimal bandwidth choice is model-free; (b) positive-definiteness is ensured through a principle-driven aggregation technique with no loss of theoretical efficiency; and (c) potentially misspecified prewhitening models and transformations of the time series do not harm the asymptotic efficiency.A shrinkage prewhitening transformation is proposed for more robust finite-sample performance.The estimator has a positive bias that diminishes with the sample size so that it is more conservative compared with the typically negatively biased classical estimators.The proposal improves upon standard kernel functions and can be well generalized to the multivariate case.We discuss its performance through simulation results and a real-data application in the forecast breakdown test.