A Nonparametric Test of the Predictive Regression Model
预测回归模型的非参数检验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：摘要明确处理近单位根解释变量的预测回归，并以股票收益预测为应用，因此归入时间序列与收益预测。
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
预测回归模型的非参数检验
- 研究问题
- 预测回归中，当解释变量接近单位根时，如何不预先限定函数形式，检验其是否有预测作用，并检验整个回归函数为零的原假设？
- 方法与思路
- 作者提出非参数显著性检验，以整个回归函数为零为原假设；摘要称标准化检验具有正态分布性质，且无需先进行单位根预检验。
- 材料陈述的贡献
- 摘要称，同一程序可处理解释变量有无单位根的情形，模拟中对某些非线性备择表现更好，并通过股票收益应用展示预测推断用途。
- 阅读关注点
- 应核对检验统计量的构造、正态分布结论所需条件，以及对不同持久性和非线性备择的大小与功效比较，并查看股票应用设定。
- 阅读边界
- 正态分布结论所需条件、有限样本近似和具体比较基准摘要未说明；所称优势限于某些非线性备择，股票应用不能证明普遍的收益可预测性。
原文摘要
This article considers testing the significance of a regressor with a near unit root in a predictive regression model. The procedures discussed in this article are nonparametric, so one can test the significance of a regressor without specifying a functional form. The results are used to test the null hypothesis that the entire function takes the value of zero. We show that the standardized test has a normal distribution regardless of whether there is a near unit root in the regressor. This is in contrast to tests based on linear regression for this model where tests have a nonstandard limiting distribution that depends on nuisance parameters. Our results have practical implications in testing the significance of a regressor since there is no need to conduct pretests for a unit root in the regressor and the same procedure can be used if the regressor has a unit root or not. A Monte Carlo experiment explores the performance of the test for various levels of persistence of the regressors and for various linear and nonlinear alternatives. The test has superior performance against certain nonlinear alternatives. An application of the test applied to stock returns shows how the test can improve inference about predictability.