Reprint of: Robust inference on correlation under general heterogeneity
重刊：一般异质性下相关性的稳健推断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：摘要直接讨论时间序列的自相关、互相关检验及非平稳异方差情形。
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…
重刊：一般异质性下相关性的稳健推断
- 研究问题
- 对于具有异方差、依赖或非平稳性的时间序列，如何稳健检验零自相关或零互相关，减少标准检验的水平失真？
- 方法与思路
- 作者放宽既有稳健相关检验对平滑、缓慢变化的确定性异方差过程的限制，扩展至更广泛的创新项与回归残差。
- 材料陈述的贡献
- 摘要称，扩展方法适用于更广的异方差不相关及非平稳情形；模拟表现良好，实例显示可减少标准检验产生的虚假相关证据。
- 阅读关注点
- 应核对移除旧限制后仍需满足的条件、创新项与估计残差的处理差别，以及复杂白噪声模拟和经验相关检验的具体设计。
- 阅读边界
- 仅依据所给 OpenAlex 摘要，题名标注重刊；未说明版本变化、完整依赖条件或模拟数值，不能理解为允许任意异质性与依赖。
原文摘要
Considerable evidence in past research shows size distortion in standard tests for zero autocorrelation or zero cross-correlation when time series are not independent identically distributed random variables , pointing to the need for more robust procedures. Recent tests for serial correlation and cross-correlation in Dalla, Giraitis, and Phillips (2022) provide a more robust approach, allowing for heteroskedasticity and dependence in uncorrelated data under restrictions that require a smooth, slowly-evolving deterministic heteroskedasticity process. The present work removes those restrictions and validates the robust testing methodology for a wider class of innovations and regression residuals allowing for heteroscedastic uncorrelated and non-stationary data settings. The updated analysis given here enables more extensive use of the methodology in practical applications. Monte Carlo experiments confirm excellent finite sample performance of the robust test procedures even for extremely complex white noise processes. The empirical examples show that use of robust testing methods can materially reduce spurious evidence of correlations found by standard testing procedures.