Distribution theory of the least squares averaging estimator
最小二乘模型平均估计量的分布理论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：摘要核心是通用线性回归的模型平均分布理论，跨国增长应用不足以确定给定列表中的细分方向。
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
最小二乘模型平均估计量的分布理论
- 研究问题
- 在线性回归的局部渐近框架下，固定权重与数据依赖权重的模型平均估计量具有何种分布，又如何构造覆盖率可靠的区间？
- 方法与思路
- 作者推导模型平均估计量的极限分布，以渐近均方误差的样本对应量选择插件权重，并提出用于有效区间推断的简单程序。
- 材料陈述的贡献
- 摘要称，固定权重估计量渐近正态，数据依赖权重产生非标准分布；模拟中插件估计量通常有较低误差，所提区间达到名义覆盖率。
- 阅读关注点
- 应核对局部参数设定、各类权重的随机性，以及摘要所称分布无法用模拟近似的具体含义和区间程序保障覆盖率的条件。
- 阅读边界
- 依据出版社摘要，无法确定非标准分布的具体形式及模拟近似受限的原因；误差和覆盖率表现只代表摘要所述模拟环境。
原文摘要
This paper derives the limiting distributions of least squares averaging estimators for linear regression models in a local asymptotic framework. We show that the averaging estimators with fixed weights are asymptotically normal and then develop a plug-in averaging estimator that minimizes the sample analog of the asymptotic mean squared error. We investigate the focused information criterion (Claeskens and Hjort, 2003), the plug-in averaging estimator, the Mallows model averaging estimator (Hansen, 2007), and the jackknife model averaging estimator (Hansen and Racine, 2012). We find that the asymptotic distributions of averaging estimators with data-dependent weights are nonstandard and cannot be approximated by simulation. To address this issue, we propose a simple procedure to construct valid confidence intervals with improved coverage probability. Monte Carlo simulations show that the plug-in averaging estimator generally has smaller expected squared error than other existing model averaging methods, and the coverage probability of proposed confidence intervals achieves the nominal level. As an empirical illustration, the proposed methodology is applied to cross-country growth regressions.