Robust inference on correlation under general heterogeneity
一般异质性下相关性的稳健推断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。
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：摘要明确以时间序列的自相关、交叉相关及非平稳创新项为研究对象，直接支持时间序列分类，未限定其他应用领域。
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…
一般异质性下相关性的稳健推断
- 研究问题
- 当时间序列存在异方差、依赖或非平稳性时，如何检验零自相关或零交叉相关，并减轻常规检验所产生的尺寸失真？
- 方法与思路
- 作者扩展已有稳健相关检验的理论适用范围，移除确定性异方差过程须平滑缓变的限制，分析更一般的创新项及回归残差。
- 材料陈述的贡献
- 摘要称，扩展后的方法适用于更广泛的异方差不相关及非平稳数据；模拟表现良好，应用中可减少标准检验给出的虚假相关证据。
- 阅读关注点
- 应核对允许的异质性和依赖范围、非平稳过程的具体类别、残差估计对统计量的影响，以及新条件与原有限制的差别。
- 阅读边界
- 仅据所给 OpenAlex 摘要；一般异质性不代表允许任意过程，具体正则条件及模拟设置未说明，也未核对全文或其他版本。
原文摘要
Considerable evidence in past research shows size distortion in standard tests for zero autocorrelation or zero cross-correlation when time series are not independent identically distributed random variables, pointing to the need for more robust procedures. Recent tests for serial correlation and cross-correlation in Dalla, Giraitis, and Phillips (2022) provide a more robust approach, allowing for heteroskedasticity and dependence in uncorrelated data under restrictions that require a smooth, slowly-evolving deterministic heteroskedasticity process. The present work removes those restrictions and validates the robust testing methodology for a wider class of innovations and regression residuals allowing for heteroscedastic uncorrelated and non-stationary data settings. The updated analysis given here enables more extensive use of the methodology in practical applications. Monte Carlo experiments confirm excellent finite sample performance of the robust test procedures even for extremely complex white noise processes. The empirical examples show that use of robust testing methods can materially reduce spurious evidence of correlations found by standard testing procedures.