HAC Corrections for Strongly Autocorrelated Time Series
强自相关时间序列的 HAC 修正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：摘要讨论时间序列中的 HAC 推断、强自相关及近单位根 AR(1) 长期近似，研究对象和方法直接支持时间序列方向。
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
强自相关时间序列的 HAC 修正
- 研究问题
- 当时间序列具有显著自相关时，常用 HAC 标准误为何在小样本中表现不佳，如何在特定强依赖结构下构造有效推断？
- 方法与思路
- 作者先回顾常用 HAC 方法的失效原因，再假设长期性质可由系数任意接近一的平稳高斯 AR(1) 模型近似，据此推导检验。
- 材料陈述的贡献
- 摘要称，所构造检验在该强依赖设定下保持有效，接近最大化加权平均功效，并在含回归情形的小样本模拟中表现良好。
- 阅读关注点
- 重点核对 AR(1) 长期近似的准确含义、平稳性与近单位根的处理方式，以及加权功效准则和回归情形的推导条件。
- 阅读边界
- 摘要在指定强依赖近似下陈述有效性，未说明一般相关结构下是否成立；模拟设定与性能数值未提供，不能据此外推适用范围。
原文摘要
Applied work routinely relies on heteroscedasticity and autocorrelation consistent (HAC) standard errors when conducting inference in a time series setting. As is well known, however, these corrections perform poorly in small samples under pronounced autocorrelations. In this article, I first provide a review of popular methods to clarify the reasons for this failure. I then derive inference that remains valid under a specific form of strong dependence. In particular, I assume that the long-run properties can be approximated by a stationary Gaussian AR(1) model, with coefficient arbitrarily close to one. In this setting, I derive tests that come close to maximizing a weighted average power criterion. Small sample simulations show these tests to perform well, also in a regression context.