Difference-based covariance matrix estimate in time series nonparametric regression with applications to specification tests
时间序列非参数回归中基于差分的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。
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：摘要直接研究时间序列长期协方差估计，并将方法用于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基于差分的协方差矩阵估计及其设定检验应用
- 研究问题
- 如何在时变系数回归中估计长期协方差矩阵，避免既有差分方法直接推广后的渐近偏差，并支持结构稳定性与长记忆检验？
- 方法与思路
- 作者提出无需去趋势的差分去偏估计量，用于时变系数函数型线性模型，允许非平稳、长程依赖、状态异方差及其混合情形。
- 材料陈述的贡献
- 摘要称该方法可缓解结构稳定性检验的非单调功效问题，并通过无残差公式改善长记忆检验；另提供理论、模拟及实际数据分析。
- 阅读关注点
- 应核对去偏步骤、各种依赖与非平稳情形的适用条件，以及结构稳定性检验功效改善和无残差公式成立的具体范围。
- 阅读边界
- 这是 arXiv 预印本，未核实同行评审或期刊接收。摘要未说明带宽选择、渐近条件和模拟数值，不能据此判断普遍优势。
原文摘要
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 non-stationarity, long-range dependence, state-heteroscedasticity and their mixtures. We apply the new estimator to (i) the structural stability test, overcoming the notorious non-monotonic 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.