UNLOCKING THE REGRESSION SPACE
拓展回归模型的适用空间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：摘要研究一般回归及稳健标准误理论，未明确限定于所列面板、因果或时间序列方向。
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…
拓展回归模型的适用空间
- 研究问题
- 面对回归量与噪声的广泛异质性，固定或时变参数回归能否继续使用最小二乘估计，并获得可靠的稳健标准误和置信区间？
- 方法与思路
- 作者构建允许一般异质性的回归框架，分别研究普通与时变最小二乘估计的渐近理论，并据此构造稳健标准误及置信区间。
- 材料陈述的贡献
- 摘要称所得标准误在形式上与 White 异方差稳健估计一致，但适用条件更广且包括缺失数据，并报告模拟及简要实证说明。
- 阅读关注点
- 应核对所谓更广条件具体放宽了哪些限制、时变参数如何估计，以及缺失机制和噪声依赖对标准误有效性的要求。
- 阅读边界
- 仅据所给 Crossref 版本摘要，异质性范围、缺失机制和渐近条件未说明；标准误形式相同不代表所有场景有效，也不能推断刊本变化。
原文摘要
This article introduces and analyzes a framework that accommodates general heterogeneity in regression modeling. It demonstrates that regression models with fixed or time-varying parameters can be estimated using the ordinary least squares (OLS) and time-varying OLS methods, respectively, across a broad class of regressors and noise processes not covered by existing theory. The proposed setting facilitates the development of asymptotic theory and the estimation of robust standard errors. The robust confidence interval estimators accommodate substantial heterogeneity in both regressors and noise. The resulting robust standard error estimates coincide with White’s (1980, Econometrica 48 , 817–838) heteroskedasticity-consistent estimator but are applicable to a broader range of conditions, including models with missing data. They are computationally simple and perform well in Monte Carlo simulations. Their robustness, generality, and ease of implementation make them highly suitable for empirical applications. Finally, the article provides a brief empirical illustration.