Improving robust model selection tests for dynamic models
改进动态模型的稳健模型选择检验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。
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：摘要研究存在序列相关的动态模型选择，并以外汇汇率预测模型进行经验比较。
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
改进动态模型的稳健模型选择检验
- 研究问题
- 在动态模型比较中，如何处理未知序列相关，并改善标准正态近似对模型选择检验分布的刻画及其中等样本表现？
- 方法与思路
- 作者构造新检验统计量，以HAC估计量处理异方差与自相关，使用依赖核函数和带宽参数的fixed-b渐近近似，并与自助法比较。
- 材料陈述的贡献
- 摘要称，中等样本模拟中fixed-b与自助法明显优于标准正态近似；汇率预测应用显示，正态近似可能夸大数据区分模型的能力。
- 阅读关注点
- 应核对检验原假设、允许的选择准则与估计方法、核与带宽如何影响临界值，以及模拟中改善体现于哪些检验性能指标。
- 阅读边界
- 摘要未给出统计量形式、完整依赖条件或改善幅度；所述优越性限于报告的比较，汇率应用也不意味着所有预测模型均有相同结果。
原文摘要
We propose an improved model selection test for dynamic models using a new asymptotic approximation to the sampling distribution of a new test statistic. The model selection test is applicable to dynamic models with very general selection criteria and estimation methods. Since our test statistic does not assume the exact form of a true model, the test is essentially non-parametric once competing models are estimated. For the unknown serial correlation in data, we use a Heteroscedasticity & Autocorrelation-Consistent (HAC) variance estimator, and the sampling distribution of the test statistic is approximated by the fixed-b asymptotic approximation. The asymptotic approximation depends on kernel functions and bandwidth parameters used in HAC estimators. We compare the finite sample performance of the new test with the bootstrap methods as well as with the standard normal approximations, and show that the fixed-b asymptotics and the bootstrap methods are markedly superior to the standard normal approximation for a moderate sample size for time series data. An empirical application for foreign exchange rate forecasting models is presented, and the result shows the normal approximation to the distribution of the test statistic considered appears to overstate the data's ability to distinguish between two competing models. Copyright The Author(s). Journal compilation Royal Economic Society 2010.