Two estimators of the long-run variance: Beyond short memory
两种长期方差估计量：超越短记忆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：摘要围绕平稳序列的长记忆、反持续性和长期方差估计，比较 HAC 与 MAC 的时间依赖修正，属于时间序列方向。
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…
两种长期方差估计量：超越短记忆
- 研究问题
- 在长记忆与反持续性平稳序列中，如何估计长期方差，并理解 HAC 与 MAC 的带宽敏感性和均方误差最优选择？
- 方法与思路
- 作者扩展 Bartlett 核 HAC 估计，推导其与 MAC 估计的渐近展开，确定最优带宽速率并开展有限样本模拟。
- 材料陈述的贡献
- 摘要称，分析解释了 HAC 的带宽敏感性，并给出两类估计量的最优带宽速率、样本均值推断覆盖率比较及实用建议。
- 阅读关注点
- 应核对长记忆下长期方差的目标定义、记忆参数处理、最优带宽速率推导，以及覆盖率模拟的样本与分布设置。
- 阅读边界
- 仅据所给出版社摘要，无法判断具体带宽公式、最优常数和覆盖率数值，也不能认定某一估计量在所有记忆设定下更优。
原文摘要
This paper deals with the estimation of the long-run variance of a stationary sequence. We extend the usual Bartlett-kernel heteroskedasticity and autocorrelation consistent (HAC) estimator to deal with long memory and antipersistence. We then derive asymptotic expansions for this estimator and the memory and autocorrelation consistent (MAC) estimator introduced by Robinson [Robinson, P. M., 2005. Robust covariance matrix estimation: HAC estimates with long memory/antipersistence correction. Econometric Theory 21, 171-180]. We offer a theoretical explanation for the sensitivity of HAC to the bandwidth choice, a feature which has been observed in the special case of short memory. Using these analytical results, we determine the MSE-optimal bandwidth rates for each estimator. We analyze by simulations the finite-sample performance of HAC and MAC estimators, and the coverage probabilities for the studentized sample mean, giving practical recommendations for the choice of bandwidths.