Difference-based covariance matrix estimation in time series nonparametric regression with application to specification tests
时间序列非参数回归中的差分协方差矩阵估计及其设定检验应用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：摘要明确研究时间序列长期协方差，并应用于时变回归系数的结构稳定性检验。
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…
时间序列非参数回归中的差分协方差矩阵估计及其设定检验应用
- 研究问题
- 在时变系数回归中，如何避免去趋势并纠正传统差分长期协方差估计的渐近偏差，同时支持结构稳定性与长记忆检验？
- 方法与思路
- 作者提出差分式去偏长期协方差矩阵估计量，覆盖非平稳、长程依赖和状态异方差，并将无残差公式用于相关检验。
- 材料陈述的贡献
- 摘要称方法可克服分段光滑系数备择下结构稳定性检验的非单调功效问题，并改善长记忆检验表现，提供理论和模拟支持。
- 阅读关注点
- 应核对去偏机制、非平稳与长程依赖的允许范围，以及带宽选择、结构稳定性检验的备择形式和无残差公式的使用条件。
- 阅读边界
- 仅据所给 Crossref 摘要，不能判断各种依赖与异方差组合的具体条件；检验改善的幅度、比较方法和真实数据结果均未给出。
原文摘要
Summary Long-run covariance matrix estimation is the building block of time series inference. The corresponding difference-based estimator, which avoids detrending, has attracted considerable interest due to its robustness to both smooth and abrupt structural breaks and its competitive finite sample performance. However, existing methods mainly focus on estimators for the univariate process, while their direct and multivariate extensions for most linear models are asymptotically biased. We propose a novel difference-based and debiased long-run covariance matrix estimator for functional linear models with time-varying regression coefficients, allowing time series nonstationarity, long-range dependence, state heteroscedasticity and combinations thereof. We apply the new estimator to (i) the structural stability test, overcoming the notorious nonmonotonic power phenomena caused by piecewise smooth alternatives for regression coefficients, and (ii) the nonparametric residual-based tests for long memory, improving the performance via the residual-free formula of the proposed estimator. The effectiveness of the proposed method is justified theoretically and demonstrated by superior performance in simulation studies, while its usefulness is elaborated via real data analysis. Our method is implemented in the R package mlrv.