Inference for High-Dimensional Local Projection
高维局部投影的统计推断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。
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：摘要直接研究高维局部投影，并将方法用于行业股票波动分析。
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…
高维局部投影的统计推断
- 研究问题
- 高维局部投影在较长预测期限下如何处理残差依赖及协方差估计的复杂性，从而支持稳健推断及金融波动研究？
- 方法与思路
- 作者通过灵活残差设定纳入一般依赖结构，研究长预测期限下的高维协方差估计，并使用模拟和行业股票波动应用。
- 材料陈述的贡献
- 摘要称给出高维局部投影的理论分析，以大量模拟支持理论结果，并研究商业新闻关注度对美国行业股票波动的影响。
- 阅读关注点
- 应核对维度、样本量与预测期限的增长关系、残差依赖条件，以及协方差估计方式和新闻关注度影响的识别依据。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实。摘要未说明具体推断定理、识别假设和实证结果，不能把影响表述直接视为因果证据。
原文摘要
This paper rigorously analyzes the properties of the local projection (LP) methodology within a high-dimensional (HD) framework, with a central focus on achieving robust long-horizon inference. We integrate a general dependence structure into h-step ahead forecasting models via a flexible specification of the residual terms. Additionally, we study the corresponding HD covariance matrix estimation, explicitly addressing the complexity arising from the long-horizon setting. Extensive Monte Carlo simulations are conducted to substantiate the derived theoretical findings. In the empirical study, we utilize the proposed HD LP framework to study the impact of business news attention on U.S. industry-level stock volatility.