Block Bootstraps for Time Series With Fixed Regressors
固定回归变量时间序列的区块自助法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。
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：摘要直接研究弱依赖时间序列回归中的区块自助法和方差估计。
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
固定回归变量时间序列的区块自助法
- 研究问题
- 在线性回归变量非随机、误差弱依赖时，常用区块自助法为何可能失去偏差优势甚至一致性，如何修正回归权重的影响？
- 方法与思路
- 作者分析渐缩、移动、循环及平稳区块自助法，引入额外区块随机化以平衡不均匀回归权重，并推导方差估计的最优块长。
- 材料陈述的贡献
- 摘要称，渐缩区块法在该回归问题中可能不一致，随机化可恢复其优势；平稳自助法则借概率分块自动平衡权重。
- 阅读关注点
- 应核对固定回归变量的设计限制、弱依赖条件、区块随机化操作，以及最优块长依赖哪些未知量及其实际估计方式。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出一致性条件和块长公式，不能外推到随机回归变量或更强依赖情形，也不能推断刊本变化。
原文摘要
This article examines block bootstrap methods in linear regression models with weakly dependent error variables and nonstochastic regressors. Contrary to intuition, the tapered block bootstrap (TBB) with a smooth taper not only loses its superior bias properties but may also fail to be consistent in the regression problem. A similar problem, albeit at a smaller scale, is shown to exist for the moving and the circular block bootstrap (MBB and CBB, respectively). As a remedy, an additional block randomization step is introduced that balances out the effects of nonuniform regression weights, and restores the superiority of the (modified) TBB. The randomization step also improves the MBB or CBB. Interestingly, the stationary bootstrap (SB) automatically balances out regression weights through its probabilistic blocking mechanism, without requiring any modification, and enjoys a kind of robustness. Optimal block sizes are explicitly determined for block bootstrap variance estimators under regression. Finite sample performance and practical uses of the methods are illustrated through a simulation study and two data examples, respectively. Supplementary materials are available online.