Unit Root Quantile Autoregression Inference
单位根分位数自回归推断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：摘要直接涉及自回归时间序列、单位根检验和分位数估计，分别对应时间序列与分位数方向。
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…
关注这篇论文的作者
单位根分位数自回归推断
- 研究问题
- 当分位数自回归模型的最大自回归系数可能等于一时，估计量及其 t 统计量如何进行有效的单位根推断。
- 方法与思路
- 作者推导估计量与 t 统计量的极限分布，指出其为 Dickey–Fuller 分布与标准正态的线性组合，权重由相关系数决定。
- 材料陈述的贡献
- 摘要称，在非高斯扰动的模拟中，新推断程序较传统最小二乘单位根检验具有功效收益，并以美国宏观时间序列示例展示。
- 阅读关注点
- 应核对不同分位点的模型设定、极限分布所需条件、相关系数及临界值的估计方法，以及功效比较采用的扰动分布。
- 阅读边界
- 所给材料是稿件版本未注明的 OpenAlex 索引摘要；具体渐近条件与功效数值未说明，不能将模拟收益推广到所有扰动。
原文摘要
We study statistical inference in quantile autoregression models when the largest autoregressive coefficient may be unity. The limiting distribution of a quantile autoregression estimator and its t-statistic is derived. The asymptotic distribution is not the conventional Dickey–Fuller distribution, but rather a linear combination of the Dickey–Fuller distribution and the standard normal, with the weight determined by the correlation coefficient of related time series. Inference methods based on the estimator are investigated asymptotically. Monte Carlo results indicate that the new inference procedures have power gains over the conventional least squares-based unit root tests in the presence of non-Gaussian disturbances. An empirical application of the model to U. S. macroeconomic time series data further illustrates the potential of the new approach.