An Improved Heteroskedasticity and Autocorrelation Consistent Covariance Matrix Estimator
改进的异方差与自相关一致协方差矩阵估计量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：摘要研究通用HAC协方差估计，未指定领域应用；用于预白化的向量自回归不足以支持宏观冲击分类。
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…
改进的异方差与自相关一致协方差矩阵估计量
- 研究问题
- 在核HAC协方差估计中加入预白化，会如何改变渐近误差、有限样本偏差与方差，以及置信区间覆盖率和检验拒绝表现？
- 方法与思路
- 作者用向量自回归进行预白化，再构造核HAC估计量，分析固定或自动带宽方案下的渐近性质，并用蒙特卡洛模拟评估表现。
- 材料陈述的贡献
- 摘要给出一致性、收敛率及渐近截断均方误差结果；模拟显示偏差下降、覆盖率改善和过度拒绝减少，但方差与均方误差上升。
- 阅读关注点
- 应核对预白化改善渐近截断均方误差的条件、带宽与自回归设定，并区分截断误差结论和模拟中的普通均方误差结果。
- 阅读边界
- 预白化的改进依赖评价目标与条件；摘要同时报告方差和均方误差上升，未说明模拟设计，不能认定各项指标普遍更优。
原文摘要
This paper considers a new class of heteroskedasticity and autocorrelation consistent (HAC) covariance matrix estimators. The estimators considered are prewhitened kernel estimators with vector autoregressions employed in the prewhitening stage. The paper establishes consistency, rate of convergence, and asymptotic truncated mean squared error (MSE) results for the estimators when a fixed or automatic bandwidth procedure is employed. Conditions are obtained under which prewhitening improves asymptotic truncated MSE. Monte Carlo results show that prewhitening is very effective in reducing bias, improving confidence interval coverage probabilities, and rescuing over-rejection of t-statistics constructed using kernel-HAC estimators. On the other hand, prewhitening is found to inflate variance and MSE of the kernel estimators. Since confidence interval coverage probabilities and over-rejection of t-statistics are usually of primary concern, prewhitened kernel estimators provide a significant improvement over the standard non-prewhitened kernel estimators.