Bandwidth-Free Inference for Recursive Nonlinear Impulse Response Functions
递归非线性脉冲响应函数的无带宽推断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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要直接研究非线性结构自回归中的递归脉冲响应与创新冲击推断。
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
递归非线性脉冲响应函数的无带宽推断
- 研究问题
- 在以创新秩归一化冲击、并积分消去未来创新的递归非线性模型中，如何直接使用经验残差分位数完成一阶统计推断？
- 方法与思路
- 作者以生成结构残差的经验分位数替代平滑创新分位数，推导四部分渐近线性表示，再用残差秩与间距构造可行推断。
- 材料陈述的贡献
- 摘要称，方法无需创新密度估计或分位数平滑，并给出递归残差自助法有效性、平滑偏差传播及有限模拟路径的额外协方差。
- 阅读关注点
- 应核对固定正态秩冲击的定义、四项影响函数的来源、递归传播所需条件，以及自助法如何处理生成残差与模拟误差。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核验。摘要仅陈述有限维模型与固定响应集合的理论，未说明完整条件或有限样本表现。
原文摘要
Recursive nonlinear impulse responses require an estimated innovation law whenever the impact shock is normalized by innovation ranks and future innovations are integrated out. The closest semiparametric recursive construction in the literature estimates the relevant innovation quantile functions smoothly and discusses a direct empirical-residual implementation without developing its complete first-order inference theory. We tackle this gap in a finite-dimensional nonlinear structural autoregression with unrestricted continuous marginal innovation distributions and a fixed normal-rank shock. Our estimator replaces each innovation quantile function with the empirical quantile of generated structural residuals and iterates the same structural transition. For any fixed collection of responses, we establish a joint \sqrt{T} asymptotic linear representation with four components: direct transition estimation, the effect of transition estimation on residual order statistics, ordinary innovation-quantile estimation, and the shifted impact quantile. After projection through the recursion, the quantile terms admit a residual-rank-and-spacing representation, yielding feasible inference without innovation-density estimation or quantile smoothing. We then characterize the propagated bias from smoothing, establish validity of a full recursive residual bootstrap, and derive the additional covariance contribution from a finite number of simulated paths, providing bandwidth-free inference for the empirical-residual version of the same normal-rank response used in the smooth recursive construction.