Testing for Coefficient Randomness in Local-to-Unity Autoregressions
局部单位根自回归中的系数随机性检验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：摘要研究局部单位根自回归模型中的随机系数及相关检验性质。
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
局部单位根自回归中的系数随机性检验
- 研究问题
- 在自回归系数接近单位根的模型中，随机系数与扰动之间的相关性如何影响系数随机性检验，并如何缓解功效损失？
- 方法与思路
- 作者分析相关性对既有检验的影响，构造功效对该相关性稳健的新检验，再修正统计量以消除渐近零分布中的另一干扰参数。
- 材料陈述的贡献
- 摘要称中高程度的系数与扰动相关性会损害既有检验功效，所提修正版具有不含特定干扰参数的渐近零分布及更好功效。
- 阅读关注点
- 应区分系数与扰动的相关性和扰动与其平方的相关性，核对局部单位根设定、统计量修正方式及尺寸与功效比较条件。
- 阅读边界
- 所据为 arXiv 预印本，同行评审与期刊接收未核实；摘要未列出分布与矩条件，也未给出有限样本优势的具体数值和适用范围。
原文摘要
In this study, we propose a test for the coefficient randomness in autoregressive models where the autoregressive coefficient is local to unity, which is empirically relevant given the results of earlier studies. Under this specification, we theoretically analyze the effect of the correlation between the random coefficient and disturbance on tests' properties, which remains largely unexplored in the literature. Our analysis reveals that the correlation crucially affects the power of tests for coefficient randomness and that tests proposed by earlier studies can perform poorly when the degree of the correlation is moderate to large. The test we propose in this paper is designed to have a power function robust to the correlation. Because the asymptotic null distribution of our test statistic depends on the correlation $ψ$ between the disturbance and its square as earlier tests do, we also propose a modified version of the test statistic such that its asymptotic null distribution is free from the nuisance parameter $ψ$. The modified test is shown to have better power properties than existing ones in large and finite samples.