Semiparametric testing with highly persistent predictors
高度持久预测变量下的半参数检验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：摘要研究高度持久预测变量的回归检验及其极限实验，直接对应时间序列中的持久性推断。
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
高度持久预测变量下的半参数检验
- 研究问题
- 当双变量回归的预测变量高度持久，且创新的联合分布未知时，如何构造针对回归系数的半参数高效检验？
- 方法与思路
- 作者利用极限实验的结构表示与不变性构造不变点最优检验，并形成基于创新各分量秩的可行检验，考察非高斯及部分异方差情形。
- 材料陈述的贡献
- 摘要称，所提检验在非高斯创新下可提高功效，在高斯情形下表现相当；创新独立同分布时可利用效率增益，部分异方差模拟表现良好。
- 阅读关注点
- 应核对高度持久性的具体渐近设定、创新秩如何由数据构造、点最优性对应的备择，以及独立同分布与条件异方差情形的理论边界。
- 阅读边界
- 仅据所给出版社摘要，无法判断功效增益大小或所有异方差下的有效性；部分条件异方差模拟不能替代一般稳健性定理。
原文摘要
We address the issue of semiparametric efficiency in the bivariate regression problem with a highly persistent predictor, where the joint distribution of the innovations is regarded an infinite-dimensional nuisance parameter. Using a structural representation of the limit experiment and exploiting invariance relationships therein, we construct invariant point-optimal tests for the regression coefficient of interest. This approach naturally leads to a family of feasible tests based on the component-wise ranks of the innovations that can gain considerable power relative to existing tests under non-Gaussian innovation distributions, while behaving equivalently under Gaussianity. When an i.i.d. assumption on the innovations is appropriate for the data at hand, our tests exploit the efficiency gains possible. Moreover, we show by simulation that our test remains well behaved under some forms of conditional heteroskedasticity.