Sieve inference on possibly misspecified semi-nonparametric time series models
可能误设的半非参数时间序列模型的筛推断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：题名与摘要明确研究半非参数时间序列模型及序列相关下的长期方差推断，直接对应时间序列方法方向。
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
可能误设的半非参数时间序列模型的筛推断
- 研究问题
- 在可能误设的半非参数时间序列模型中，如何对可能非正则的泛函进行筛估计推断，并处理得分的序列相关？
- 方法与思路
- 作者研究代入式筛 M 估计量，利用正交级数估计长期方差，构造采用渐近 F 分布临界值的预渐近 Wald 统计量。
- 材料陈述的贡献
- 摘要称，估计量渐近正态，非正则泛函的渐近方差具有特定简化，并在模拟中比传统卡方 Wald 检验尺寸更准确。
- 阅读关注点
- 应核对误设下的目标泛函、非正则性与筛维数条件，以及得分非鞅差时方差结论和 F 极限的适用范围。
- 阅读边界
- 仅据所给出版社摘要，不能将特定方差结论推广到全部泛函；序列依赖限制、筛选择和模拟数值均未说明。
原文摘要
This paper establishes the asymptotic normality of plug-in sieve M estimators of possibly irregular functionals of semi-nonparametric time series models. We show that, even when the sieve score process is not a martingale difference sequence, the asymptotic variance in the case of irregular functionals is the same as those for independent data. Using an orthonormal series long run variance estimator, we construct a “pre-asymptotic” Wald statistic and show that it is asymptotically F distributed. Simulations indicate that our “pre-asymptotic” Wald test with F critical values has more accurate size in finite samples than the conventional Wald test with chi-square critical values.