DIFFERENCING TRANSFORMATIONS AND INFERENCE IN PREDICTIVE REGRESSION MODELS
预测回归模型中的差分变换与推断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：摘要围绕预测回归中的平稳、非平稳与局部爆炸解释变量展开，明确属于时间序列推断。
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
预测回归模型中的差分变换与推断
- 研究问题
- 如何避免预测回归的检验结论随解释变量持久性及所用渐近理论变化，并在不同持久性情形下构造统一的置信区间？
- 方法与思路
- 作者通过差分变换构造一类估计量和检验统计量，研究其高斯极限、效率与收敛速度，并开展蒙特卡洛模拟。
- 材料陈述的贡献
- 摘要称该类方法的高斯极限不受解释变量持久性影响，平稳时收敛率为根号样本量，非平稳时可任意接近样本量。
- 阅读关注点
- 应核对差分变换的具体形式、不同持久性区域的条件，以及接近样本量的收敛速度如何与高斯极限同时成立。
- 阅读边界
- 仅据所给 Crossref 摘要，无法确认高斯推断是否具有统一有效性，也未说明效率代价、模拟数值或具体预测对象。
原文摘要
The limit distribution of conventional test statistics for predictability may depend on the degree of persistence of the predictors. Therefore, diverging results and conclusions may arise because of the different asymptotic theories adopted. Using differencing transformations, we introduce a new class of estimators and test statistics for predictive regression models with Gaussian limit distribution that is instead insensitive to the degree of persistence of the predictors. This desirable feature allows to construct Gaussian confidence intervals for the parameter of interest in stationary, nonstationary, and even locally explosive settings. Besides the limit distribution, we also study the efficiency and the rate of convergence of our new class of estimators. We show that the rate of convergence is $\sqrt n $ in stationary cases, while it can be arbitrarily close to n in nonstationary settings, still preserving the Gaussian limit distribution. Monte Carlo simulations confirm the high reliability and accuracy of our test statistics.