Uniform nonparametric inference for time series
时间序列的一致非参数推断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：摘要核心是具有时间依赖的非参数级数估计、一致置信带和 HAC 推断。
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
时间序列的一致非参数推断
- 研究问题
- 在一般时间序列环境中，如何为非参数级数估计构造一致置信带，并在数据依赖和维度增长下检验条件矩限制？
- 方法与思路
- 作者建立维度随样本量增长的 mixingale 样本均值强逼近理论，以此支持置信带与设定检验，并研究增维 HAC 估计的有效性。
- 材料陈述的贡献
- 摘要称，这是一般时间序列级数估计一致推断的首个结果，并提供可行推断所需的增维 HAC 理论及失业波动谜题的应用。
- 阅读关注点
- 应核对 mixingale 的依赖条件、级数维度增长率、逼近误差和置信带构造，以及 HAC 带宽选择和条件矩检验的具体实现。
- 阅读边界
- 所给出版社摘要未列出依赖与光滑性条件、增长率或应用结果；首个结果是作者的文献定位陈述，不能仅据摘要独立核实。
原文摘要
This paper provides the first result for the uniform inference based on nonparametric series estimators in a general time-series setting. We develop a strong approximation theory for sample averages of mixingales with dimensions growing with the sample size. We use this result to justify the asymptotic validity of a uniform confidence band for series estimators and show that it can also be used to conduct nonparametric specification test for conditional moment restrictions. New results on the validity of heteroskedasticity and autocorrelation consistent (HAC) estimators with increasing dimension are established for making feasible inference. An empirical application on the unemployment volatility puzzle for the search and matching model is provided as an illustration.