Linear Regression with Weak Exogeneity
弱外生性下的线性回归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：摘要明确研究弱外生性、自相关和大量回归变量下的线性时间序列回归，文本直接支持时间序列分类。
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
弱外生性下的线性回归
- 研究问题
- 时间序列回归包含大量控制变量时，仅要求弱外生性为何可能导致 OLS 明显偏误甚至不一致，如何修正并进行推断？
- 方法与思路
- 作者分析弱外生性下随机设计矩阵与回归误差的关联，提出偏差修正估计量，并建立一致性、条件渐近正态性和推断方法。
- 材料陈述的贡献
- 摘要称，大量回归变量可使弱外生性不足以保证 OLS 一致性，偏差随变量数量与平均自相关增强，并给出修正方案。
- 阅读关注点
- 应核对弱外生性的条件信息集、回归变量数量的增长方式，以及偏差修正的可计算形式和条件渐近推断所需限制。
- 阅读边界
- 这是预印本，同行评审及期刊接收均未核实。摘要未给出修正公式、具体渐近条件或有限样本结果，不能判断实际改进幅度。
原文摘要
This paper studies linear time series regressions with many regressors. Weak exogeneity is the most used identifying assumption in time series. Weak exogeneity requires the structural error to have zero conditional expectation given the present and past regressor values, allowing errors to correlate with future regressor realizations. We show that weak exogeneity in time series regressions with many controls may produce substantial biases and even render the least squares (OLS) estimator inconsistent. The bias arises in settings with many regressors because the normalized OLS design matrix remains asymptotically random and correlates with the regression error when only weak (but not strict) exogeneity holds. This bias's magnitude increases with the number of regressors and their average autocorrelation. To address this issue, we propose an innovative approach to bias correction that yields a new estimator with improved properties relative to OLS. We establish consistency and conditional asymptotic Gaussianity of this new estimator and provide a method for inference.