SELF-WEIGHTED ESTIMATION FOR LOCAL UNIT ROOT REGRESSIONS WITH APPLICATIONS
局部单位根回归的自加权估计及应用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：摘要核心是局部单位根自回归的估计、持久性检验和整合序列极限理论，直接属于时间序列。
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…
局部单位根回归的自加权估计及应用
- 研究问题
- 在创新具有条件异方差的局部单位根自回归中，如何通过自加权估计获得不依赖未知局部单位根参数的标准化推断？
- 方法与思路
- 作者对最小二乘中的极端观测实施渐近受控修剪，借助高斯过程局部时间的收敛框架推导混合高斯极限，并构造增广回归检验。
- 材料陈述的贡献
- 摘要称学生化后得到标准正态极限，估计保持略低于最小二乘通常速率的超一致性，并报告对温和整合备择的模拟表现。
- 阅读关注点
- 应核对权重与修剪阈值、条件异方差限制、局部时间收敛的适用序列，以及新检验的零假设、标准化和功效比较。
- 阅读边界
- 仅据所给 Crossref 版本摘要，精确收敛率、修剪规则及市场基本面应用结果未说明；不能推出收益预测优势，也不能推断刊本变化。
原文摘要
A new self-weighted (SW) least squares (LS) estimation approach is developed for local unit root (LUR) autoregression with conditionally heteroskedastic innovations. Asymptotically controlled trimming of the most extreme observations in LS regression is shown to lead to mixed Gaussian limit theory and studentization produces standard normality free of the unknown LUR parameter. The estimator is super consistent with a convergence rate slightly below the O P ( n ) $O_P(n)$ upper O Subscript upper P Baseline left parenthesis n right parenthesis rate of LS estimation. The asymptotic theory relies on a new framework of convergence to the local time of a Gaussian process, allowing for the sample moments generated from martingales and many other integrated dependent sequences. A new LUR test in augmented autoregression is developed using SW estimation, providing an alternative approach that employs Gaussian limit theory in contrast to the augmented Dickey–Fuller and other tests. Simulation results show that the test has good size control and power performance against mildly integrated alternatives. An empirical illustration is conducted evaluating the persistence of several market fundamentals as predictors of S&P 500 excess returns.