Feasible GLS for time series regression
时间序列回归的可行广义最小二乘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：摘要讨论线性回归中序列相关误差下的 GLS/OLS 估计、Wold 表示与渐近分布，属于时间序列计量方法，故归入时间序列方向。
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
时间序列回归的可行广义最小二乘
- 研究问题
- 在线性回归模型误差存在序列相关时，OLS 何时一致、GLS 在何种条件下有效，以及能否构造不依赖外生回归元假设的可行 GLS 估计量并给出其渐近分布。
- 方法与思路
- 作者在回归元为预定的、误差平稳且具有可逆短记忆 Wold 表示的假设下，推导 OLS 与 GLS 的一致性条件，构造可行 GLS 程序，并推导其渐近分布与无需调参的方差估计量。
- 材料陈述的贡献
- 摘要称：厘清 OLS 一致性；给出 GLS 无需外生回归元假设的充分条件；提出在回归元外生与否均适用的可行 GLS，其 MSE 接近正确设定的不可行 GLS；并给出渐近分布与置信区间。
- 阅读关注点
- 应核对预定回归元、平稳性与可逆短记忆等假设的具体表述，可行 GLS 的构造与带宽或滞后选择方式，非外生情形渐近方差中附加项的形式，以及方差估计量有限样本表现。
- 阅读边界
- 仅依据出版社摘要，未读全文；摘要未说明模拟设计、具体数据、有限样本结果与证明细节，也未说明异方差情形的完整处理，不能据此判断估计量在实践中的优劣。
原文摘要
We consider GLS and OLS estimation in a linear regression model with serially correlated errors, and we provide the following contributions. First, we clarify when OLS is consistent or not. Second, we give sufficient conditions such that GLS is valid without the assumption of exogenous regressors (uncorrelated with past innovations). Third, we devise a feasible GLS procedure valid whether or not the regressors are exogenous, and which achieves a MSE close to that of the correctly specified infeasible GLS. Fourth, we derive the asymptotic distribution of this feasible GLS estimate: with exogenous regressors, the limit distribution is the same as that of the infeasible GLS estimator. However, with non-exogenous regressors, an additional term is present in the asymptotic variance. We provide a variance estimator, free of tuning parameters, which delivers confidence intervals with asymptotically correct coverage in both cases. We also illustrate how GLS can be more robust than OLS when the regressors are exogenous, even when GLS is based on an incorrect correction. The main assumptions are: a) the regressors are pre-determined (uncorrelated with future innovations); b) the errors are stationary thereby admitting a Wold representation in terms of some unpredictable innovations; c) the moving-average representation of the errors is invertible and implies a short-memory process. We also briefly address issues related to heteroskedastic errors.