AUTOMATIC POSITIVE SEMIDEFINITE HAC COVARIANCE MATRIX AND GMM ESTIMATION
自动半正定 HAC 协方差矩阵与 GMM 估计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：摘要聚焦通用 HAC 协方差与 GMM 构造，未限定具体模型或经济应用，细分领域依据不足。
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
自动半正定 HAC 协方差矩阵与 GMM 估计
- 研究问题
- 如何构造自动保证半正定的 HAC 协方差矩阵，并据此定义有效 GMM 准则及用于过度识别矩条件的检验统计量？
- 方法与思路
- 作者先用核权重平滑观测向量，再以平滑向量外积的归一化形式构造 HAC 估计，并对平滑矩条件指标定义二次型准则。
- 材料陈述的贡献
- 摘要称，外积构造自动保证 HAC 矩阵半正定；相应 GMM 准则的归一化最小值可用作过度识别矩条件检验统计量。
- 阅读关注点
- 应核对核权重、归一化与边界处理，区分半正定和可逆性的要求，并检查有效 GMM 与过度识别检验所需的渐近条件。
- 阅读边界
- 仅依据所给 Crossref 摘要；半正定不保证可逆，摘要未给出检验极限分布、调参规则或有限样本表现，亦不能推断版本变化。
原文摘要
This paper proposes a new class of heteroskedastic and autocorrelation consistent (HAC) covariance matrix estimators. The standard HAC estimation method reweights estimators of the autocovariances. Here we initially smooth the data observations themselves using kernel function–based weights. The resultant HAC covariance matrix estimator is the normalized outer product of the smoothed random vectors and is therefore automatically positive semidefinite. A corresponding efficient GMM criterion may also be defined as a quadratic form in the smoothed moment indicators whose normalized minimand provides a test statistic for the overidentifying moment conditions.