Asymptotically Efficient Estimation of Cointegration Regressions
协整回归的渐近有效估计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：题名及摘要明确研究协整回归、短期动态和非标准时间序列极限分布。
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
协整回归的渐近有效估计
- 研究问题
- 面对协整回归的非标准极限分布，如何界定渐近效率，并在较少依赖分布与短期动态设定的框架中寻找有效估计量？
- 方法与思路
- 作者采用极限分布的集中程度替代常规最小方差准则，并通过对普通最小二乘进行非参数时域修正构造新估计量。
- 材料陈述的贡献
- 摘要称，论文刻画最大渐近效率估计量的极限分布、讨论已有估计量的最优性，并提出无需初步估计的新有效估计量。
- 阅读关注点
- 应核对集中程度准则的定义、可比较估计量类别及数据过程条件，并检查时域修正公式和无需初步估计的实现含义。
- 阅读边界
- 仅依据所给 Crossref 摘要；具体正则条件和修正步骤未说明，摘要中的弱分布要求不等于对任意数据过程均有效。
原文摘要
An asymptotic optimality theory for the estimation of cointegration regressions is developed in this paper. The theory applies to a reasonably wide class of estimators without making any specific assumptions about the probability distribution or short-run dynamics of the data-generating process. Due to the nonstandard nature of the estimation problem, the conventional minimum variance criterion does not provide a convenient measure of asymptotic efficiency. An alternative criterion, based on the concentration or peakedness of the limiting distribution of an estimator, is therefore adopted. The limiting distribution of estimators with maximum asymptotic efficiency is characterized in the paper and used to discuss the optimality of some known estimators. A new asymptotically efficient estimator is also introduced. This estimator is obtained from the ordinary least-squares estimator by a time domain correction which is nonparametric in the sense that no assumption of a finite parameter model is required. The estimator can be computed with least squares without any initial estimations.