HAR Inference: Recommendations for Practice
异方差与自相关稳健推断：实践建议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：摘要明确讨论时间序列回归中的异方差与自相关稳健推断、长期方差估计及相应检验规则。
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…
异方差与自相关稳健推断：实践建议
- 研究问题
- 如何为时间序列回归中的稳健检验选择截断参数和临界值，在降低检验尺寸失真的同时控制经尺寸调整后的功效损失？
- 方法与思路
- 作者以损失函数刻画尺寸与功效的权衡，推导截断参数规则，并结合 fixed-b 临界值，以两类时间序列模拟设计评估建议。
- 材料陈述的贡献
- 摘要建议 Newey–West 取 S=1.3√T 并使用 fixed-b 临界值；对单一约束检验，称 EWC 有优势，余弦项数取 ν=0.4T^(2/3)。
- 阅读关注点
- 核对损失函数如何决定权衡、两条规则及临界值的适用条件，以及 ARMA/GARCH 和动态因子模拟中的尺寸与调整后功效比较。
- 阅读边界
- 摘要所述改进来自文献总结与特定模拟设计，未提供全部理论条件和数值表现；这些规则对其他过程的适用性需核对正文。
原文摘要
The classic papers by Newey and West (1987) and Andrews (1991) spurred a large body of work on how to improve heteroscedasticity- and autocorrelation-robust (HAR) inference in time series regression. This literature finds that using a larger-than-usual truncation parameter to estimate the long-run variance, combined with Kiefer-Vogelsang (2002, 2005) fixed-b critical values, can substantially reduce size distortions, at only a modest cost in (size-adjusted) power. Empirical practice, however, has not kept up. This article therefore draws on the post-Newey West/Andrews literature to make concrete recommendations for HAR inference. We derive truncation parameter rules that choose a point on the size-power tradeoff to minimize a loss function. If Newey-West tests are used, we recommend the truncation parameter rule S = 1.3T1/2 and (nonstandard) fixed-b critical values. For tests of a single restriction, we find advantages to using the equal-weighted cosine (EWC) test, where the long run variance is estimated by projections onto Type II cosines, using ν = 0.4T2/3 cosine terms; for this test, fixed-b critical values are, conveniently, tν or F. We assess these rules using first an ARMA/GARCH Monte Carlo design, then a dynamic factor model design estimated using a 207 quarterly U.S. macroeconomic time series.