GLS under monotone heteroskedasticity
单调异方差下的广义最小二乘估计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：摘要讨论通用回归中的单调异方差、GLS 估计与推断，未提供足够证据归入所列特定应用领域。
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
单调异方差下的广义最小二乘估计
- 研究问题
- 如何在条件误差方差满足单调约束时实施 GLS，减少对参数化方差函数和非参数平滑参数的依赖？
- 方法与思路
- 作者用保序回归估计条件方差，再构造可行 GLS；方法仍需调节边界观测的剔除，以支持估计和推断。
- 材料陈述的贡献
- 摘要称该估计量与已知条件方差的不可行 GLS 渐近等价，并以模拟和实证示例展示其有限样本表现。
- 阅读关注点
- 应核对单调约束施加在哪个变量上、边界剔除规则，以及渐近等价结论如何用于置信区间和假设检验。
- 阅读边界
- 仅依据所给 OpenAlex 摘要；单调性、误差和设计变量的具体条件及模拟结果未说明，其他版本差异无法判断。
原文摘要
The generalized least square (GLS) is one of the most basic tools in regression analyses. A major issue in implementing the GLS is estimation of the conditional variance function of the error term, which typically requires a restrictive functional form assumption for parametric estimation or smoothing parameters for nonparametric estimation. In this paper, we propose an alternative approach to estimate the conditional variance function under nonparametric monotonicity constraints by utilizing the isotonic regression method. Our GLS estimator is shown to be asymptotically equivalent to the infeasible GLS estimator with knowledge of the conditional error variance, and involves only some tuning to trim boundary observations, not only for point estimation but also for interval estimation or hypothesis testing. Simulation studies and an empirical example illustrate excellent finite sample performances of the proposed method.