Robust trend inference with series variance estimator and testing-optimal smoothing parameter
采用级数方差估计与检验最优平滑参数的稳健趋势推断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：摘要明确研究多变量趋势平稳模型、确定性时间趋势与长期方差估计，直接对应时间序列推断方向。
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
采用级数方差估计与检验最优平滑参数的稳健趋势推断
- 研究问题
- 在多变量趋势平稳模型中，如何检验确定性趋势，并选择兼顾第一类错误控制与第二类错误降低的平滑参数？
- 方法与思路
- 作者用 OLS 估计趋势，以选定基函数构造长期方差矩阵的级数估计，并结合固定及增长基函数数量的渐近分析选择平滑参数。
- 材料陈述的贡献
- 摘要称两种渐近框架下 Wald 统计量均有标准极限分布，固定基函数数量的临界值具有二阶正确性，并提出检验最优选择方法。
- 阅读关注点
- 应核对基函数与误差过程条件、两种渐近框架的关系、二阶正确性的含义，以及平滑参数选择如何实施错误率约束。
- 阅读边界
- 仅据所给 RePEc 出版社摘要，无法判断检验最优性涵盖哪些备择情形；模拟中的尺寸与功效表现不能推广到所有序列。
原文摘要
The paper develops a novel testing procedure for hypotheses on deterministic trends in a multivariate trend stationary model. The trends are estimated by the OLS estimator and the long run variance (LRV) matrix is estimated by a series type estimator with carefully selected basis functions. Regardless of whether the number of basis functions K is fixed or grows with the sample size, the Wald statistic converges to a standard distribution. It is shown that critical values from the fixed-K asymptotics are second-order correct under the large-K asymptotics. A new practical approach is proposed to select K that addresses the central concern of hypothesis testing: the selected smoothing parameter is testing-optimal in that it minimizes the type II error while controlling for the type I error. Simulations indicate that the new test is as accurate in size as the nonstandard test of Vogelsang and Franses (2005) and as powerful as the corresponding Wald test based on the large-K asymptotics. The new test therefore combines the advantages of the nonstandard test and the standard Wald test while avoiding their main disadvantages (power loss and size distortion, respectively).