A Bootstrap-Assisted Self-Normalization Approach to Inference in Cointegrating Regressions
协整回归推断中的自助法辅助自标准化方法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：摘要直接研究协整回归、序列相关、长期方差和向量自回归筛自助法，属于时间序列推断。
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
协整回归推断中的自助法辅助自标准化方法
- 研究问题
- 协整回归检验如何避免直接估计长期方差所需的调参，并在误差序列相关或解释变量内生性较强时改善检验尺寸？
- 方法与思路
- 作者构造具有无干扰参数极限分布的自标准化统计量，再用具有渐近依据的向量自回归筛自助法生成临界值。
- 材料陈述的贡献
- 摘要称，自标准化减少尺寸失真且仅有较小功效损失；结合筛自助法可进一步改善中小样本表现，并应用于费雪效应检验。
- 阅读关注点
- 应核对协整回归与内生性的允许条件、自标准化极限推导、筛自助法的阶数选择，以及尺寸与功效比较的设计。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出完整条件及数值，自标准化免调参不意味着自助法实现无需选择。
原文摘要
Traditional inference in cointegrating regressions requires tuning parameter choices to estimate a long-run variance parameter. Even in case these choices are "optimal", the tests are severely size distorted. We propose a novel self-normalization approach, which leads to a nuisance parameter free limiting distribution without estimating the long-run variance parameter directly. This makes our self-normalized test tuning parameter free and considerably less prone to size distortions at the cost of only small power losses. In combination with an asymptotically justified vector autoregressive sieve bootstrap to construct critical values, the self-normalization approach shows further improvement in small to medium samples when the level of error serial correlation or regressor endogeneity is large. We illustrate the usefulness of the bootstrap-assisted self-normalized test in empirical applications by analyzing the validity of the Fisher effect in Germany and the United States.