Local Projections Bootstrap Inference
局部投影的 Bootstrap 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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要直接讨论局部投影、VAR、脉冲动态及时间序列重抽样，支持这两个领域细分。
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
局部投影的 Bootstrap 推断
- 研究问题
- 当有限阶 VAR 难以描述较长预测期的脉冲动态时，如何为局部投影构造适用于更广泛数据生成过程的 Bootstrap？
- 方法与思路
- 作者不预先确定生成数据的参数模型形式，允许可能的无限阶过程，并利用数据的移动平均表示构造 Bootstrap 程序。
- 材料陈述的贡献
- 摘要提出以移动平均表示为基础的局部投影重抽样思路，以减少对有限阶 VAR 设定的依赖并容纳更广的动态模型。
- 阅读关注点
- 应核对允许的过程类别、移动平均表示的估计与截断方式、各预测期的有效性，以及区间推断是否覆盖多个预测期。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未经核实；摘要未说明具体重抽样步骤、有效性条件或有限样本比较结果。
原文摘要
Bootstrap procedures for local projections typically rely on assuming that the data generating process (DGP) is a finite order vector autoregression (VAR), often taken to be that implied by the local projection at horizon 1. Although convenient, it is well documented that a VAR can be a poor approximation to impulse dynamics at horizons beyond its lag length. In this paper we assume instead that the precise form of the parametric model generating the data is not known. If one is willing to assume that the DGP is perhaps an infinite order process, a larger class of models can be accommodated and more tailored bootstrap procedures can be constructed. Using the moving average representation of the data, we construct appropriate bootstrap procedures.