Series estimation under cross-sectional dependence
横截面相关下的级数估计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：摘要主要讨论一般回归的级数估计，面板与时间序列仅被列为可能适用的数据类型，缺少归入特定领域细分的直接证据。
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
横截面相关下的级数估计
- 研究问题
- 当横截面观测存在相关性、异质性及条件或无条件异方差时，非参数和半参数回归的级数估计如何获得收敛率与有效推断？
- 方法与思路
- 作者在允许误差和解释变量相关、且不要求解释变量具有密度的条件下建立渐近理论，并研究依赖单重或双重索引排序的学生化方法。
- 材料陈述的贡献
- 摘要称建立了非参数回归估计的均方收敛率及一般统计量的渐近正态性，并论证数据驱动学生化方法，提供部分线性模型模拟与应用。
- 阅读关注点
- 应核对相关性限制、基函数与级数维数条件，以及索引排序如何支持方差估计；再检查部分线性模型模拟和两项应用的具体设定。
- 阅读边界
- 仅据所列出版社摘要，无法判断理论允许的相关性强度、具体收敛率及有限样本表现；摘要所述面板、空间和时间序列适用范围仍需核对。
原文摘要
An asymptotic theory is developed for series estimation of nonparametric and semiparametric regression models for cross-sectional data under conditions on disturbances that allow for forms of cross-sectional dependence and heterogeneity, including conditional and unconditional heteroscedasticity, along with conditions on regressors that allow dependence and do not require existence of a density. The conditions aim to accommodate various settings plausible in economic applications, and can apply also to panel, spatial and time series data. A mean square rate of convergence of nonparametric regression estimates is established followed by asymptotic normality of a quite general statistic. Data-driven studentizations that rely on single or double indices to order the data are justified. In a partially linear model setting, Monte Carlo investigation of finite sample properties and two empirical applications are carried out.