Robust inference with stochastic local unit root regressors in predictive regressions
含随机局部单位根预测变量的预测回归稳健推断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：摘要研究随机单位根与持久性预测回归，并明确应用于标普500超额收益预测。
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
含随机局部单位根预测变量的预测回归稳健推断
- 研究问题
- 预测变量具有随机单位根或随机局部单位根机制、持久性随时间变化时，如何在短期和长期预测回归中对均值及分位数关系进行稳健检验？
- 方法与思路
- 作者扩展内生生成工具变量的 IVX 方法，推导均值与分位数回归估计量的新渐近分布，并构造支持单个及多个预测变量的 Wald 检验。
- 材料陈述的贡献
- 摘要称，相关 Wald 检验具有枢轴极限分布，并对多种持久性和单位根局部偏离稳健；数值实验支持理论，应用考察标普500超额收益。
- 阅读关注点
- 应核对随机单位根机制、工具变量构造和预测期设定，区分均值与分位数回归的条件，并检查枢轴分布成立所需的依赖与内生性限制。
- 阅读边界
- 仅依据所给 RePEc 出版社摘要；摘要未说明完整生成机制、检验条件或收益预测的实证结论，稳健性不能外推到任意非平稳过程。
原文摘要
This paper explores predictive regression models with stochastic unit root (STUR) components and robust inference procedures that encompass a wide class of persistent and time-varying stochastically nonstationary regressors. The paper extends the mechanism of endogenously generated instrumentation known as IVX, showing that these methods remain valid for short and long-horizon predictive regressions in which the predictors have STUR and local STUR (LSTUR) generating mechanisms. Both mean regression and quantile regression methods are considered. The asymptotic distributions of the IVX estimators are new and require some new methods in their derivation. The distributions are compared to previous results and, as in earlier work, lead to pivotal limit distributions for Wald testing procedures that remain robust for both single and multiple regressors with various degrees of persistence and stochastic and fixed local departures from unit roots. Numerical experiments corroborate the asymptotic theory, and IVX testing shows good power and size control. The IVX methods are illustrated in an empirical application to evaluate the predictive capability of economic fundamentals in forecasting S&P 500 excess returns.