BLOCK BOOTSTRAP HAC ROBUST TESTS: THE SOPHISTICATION OF THE NAIVE BOOTSTRAP
区块自助法 HAC 稳健检验：朴素自助法的精细性质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：摘要明确研究序列相关、长期方差及时间区块重抽样下的检验分布。
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
区块自助法 HAC 稳健检验：朴素自助法的精细性质
- 研究问题
- 当自助样本沿用原样本的标准误公式时，朴素区块自助检验为何可能优于标准正态近似，带宽及序列相关如何影响结果？
- 方法与思路
- 作者研究以长期方差估计量缩放的区块自助检验，利用固定 b 渐近理论解释模拟表现，并在位置模型中分析带宽与有限矩的作用。
- 材料陈述的贡献
- 摘要称，区块乃至独立同分布自助法可具有固定 b 极限；模拟显示较大 HAC 带宽下近似改善更明显，并提出区别于传统展开的理论基础。
- 阅读关注点
- 应核对自助有效性针对的渐近框架、带宽和区块长度的关系、学生化方式，以及独立抽样处理相关数据时结论的精确范围。
- 阅读边界
- 仅据所给 Crossref 摘要，不能认定独立同分布自助法普遍适用于相关数据；精度改善依赖带宽与矩条件，刊本变化未说明。
原文摘要
This paper studies the properties of naive block bootstrap tests that are scaled by zero frequency spectral density estimators (long-run variance estimators). The naive bootstrap is a bootstrap where the formula used in the bootstrap world to compute standard errors is the same as the formula used on the original data. Simulation evidence shows that the naive bootstrap can be much more accurate than the standard normal approximation. The larger the HAC bandwidth, the greater the improvement. This improvement holds for a large number of popular kernels, including the Bartlett kernel, and it holds when the independent and identically distributed (i.i.d.) bootstrap is used and yet the data are serially correlated. Using recently developed fixed- b asymptotics for HAC robust tests, we provide theoretical results that can explain the finite sample patterns. We show that the block bootstrap, including the special case of the i.i.d. bootstrap, has the same limiting distribution as the fixed- b asymptotic distribution. For the special case of a location model, we provide theoretical results that suggest the naive bootstrap can be more accurate than the standard normal approximation depending on the choice of the bandwidth and the number of finite moments in the data. Our theoretical results lay the foundation for a bootstrap asymptotic theory that is an alternative to the traditional approach based on Edgeworth expansions.