Serial-Dependence and Persistence Robust Inference in Predictive Regressions
预测回归中对序列依赖与持久性稳健的推断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：摘要明确研究预测回归中的序列相关、解释变量持久性和时间依赖推断，但未指定宏观预测任务或金融收益应用。
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
预测回归中对序列依赖与持久性稳健的推断
- 研究问题
- 预测回归的解释变量具有不同程度的持久性，且数据存在序列相关和条件异方差时，如何检验估计参数的统计显著性？
- 方法与思路
- 作者提出一族检验统计量，通过统计量内置机制分离序列依赖；摘要称无需额外校正，并推导卡方零假设极限分布与局部备择功效。
- 材料陈述的贡献
- 摘要称该方法兼顾解释变量持久性、序列相关与条件异方差的稳健性，并用模拟展示有限样本下的检验尺寸和功效表现。
- 阅读关注点
- 核对允许的持久性与依赖范围、分离机制的具体构造、卡方近似所需条件，以及模拟中的基准方法和尺寸失真。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明具体正则条件、样本规模及相对现有方法的数值表现。
原文摘要
This paper introduces a new method for testing the statistical significance of estimated parameters in predictive regressions. The approach features a new family of test statistics that are robust to the degree of persistence of the predictors. Importantly, the method accounts for serial correlation and conditional heteroskedasticity without requiring any corrections or adjustments. This is achieved through a mechanism embedded within the test statistics that effectively decouples serial dependence present in the data. The limiting null distributions of these test statistics are shown to follow a chi-square distribution, and their asymptotic power under local alternatives is derived. A comprehensive set of simulation experiments illustrates their finite sample size and power properties.