Robust Inference on Infinite and Growing Dimensional Time‐Series Regression
无限维与维度增长时间序列回归的稳健推断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。
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回归、自回归与相关检验，最直接对应时间序列方向。
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
无限维与维度增长时间序列回归的稳健推断
- 研究问题
- 当时间序列回归维度或待检验限制数量随样本量增长时，传统检验如何处理新增的高阶长期方差影响及有限样本偏差？
- 方法与思路
- 作者采用限制秩增长的渐近框架，对传统统计量作高阶长期方差尺度修正，并通过施加原假设的自助法进行偏差修正。
- 材料陈述的贡献
- 摘要称，新检验覆盖增长维回归、无限阶自回归和筛回归；模拟显示即使限制数量中等，高阶长期方差修正也有重要作用。
- 阅读关注点
- 应核对维度与限制秩的增长条件、高阶长期方差的定义和估计方法，以及自助修正对检验尺寸和功效的实际影响。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断依赖结构、增长率条件及模拟数值；摘要中的油价回归应用也不足以支持一般实证结论。
原文摘要
We develop a class of tests for time‐series models such as multiple regression with growing dimension, infinite‐order autoregression, and nonparametric sieve regression. Examples include the Chow test and general linear restriction tests of growing rank p . Employing such increasing p asymptotics, we introduce a new scale correction to conventional test statistics, which accounts for a high‐order long‐run variance (HLV), which emerges as p grows with sample size. We also propose a bias correction via a null‐imposed bootstrap to alleviate finite‐sample bias without sacrificing power unduly. A simulation study shows the importance of robustifying testing procedures against the HLV even when p is moderate. The tests are illustrated with an application to the oil regressions in Hamilton (2003).