Heteroskedasticity and Autocorrelation Consistent Covariance Matrix Estimation
异方差与自相关一致的协方差矩阵估计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：摘要研究通用的稳健协方差估计与核、带宽选择，未指向给定分类中的特定经济模型或应用，仅凭自相关不足以确定细分。
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
异方差与自相关一致的协方差矩阵估计
- 研究问题
- 在异方差与自相关形式未知时，如何选择协方差估计的核权重及带宽或滞后截断参数，并构造依赖数据的自动选择方法？
- 方法与思路
- 作者研究核或权重方案以及带宽的渐近选择问题，推导相应最优方案，再以这些结果构造数据依赖的自动带宽或滞后截断参数。
- 材料陈述的贡献
- 摘要称，文章给出渐近最优的核或权重方案及带宽选择，并据此引入数据依赖的自动选择参数，回应既有估计方法中的选择问题。
- 阅读关注点
- 应核对渐近最优所用损失函数与正则条件、核函数比较范围、自动带宽如何估计所需量，以及固定样本下是否另有保障。
- 阅读边界
- 摘要未说明最优性的损失准则、完整正则条件或数值表现；渐近最优不能直接保证固定样本中的最优性或推断可靠性。
原文摘要
This paper is concerned with the estimation of covariance matrices in the presence of heteroskedasticity and autocorrelation of unknown forms. Currently available estimators that are designed for this context depend upon the choice of a lag truncation parameter and a weighting scheme. No results are available regarding the choice of lag truncation parameter for a fixed sample size, regarding data-dependent automatic lag truncation parameters, or regarding the choice of weighting scheme. This paper addresses these problems. Asymptotically optimal kernel/weighting scheme and bandwidth/lag truncation parameters are obtained. Using these results, data-dependent automatic bandwidth/lag truncation parameters are introduced. Copyright 1991 by The Econometric Society.