Efficient estimation of nonparametric regression in the presence of dynamic heteroskedasticity
动态异方差下非参数回归的有效估计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：摘要明确把方法置于条件异方差的时间序列回归中，直接对应时间序列方法，但并未限定其应用必须是宏观数据。
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
动态异方差下非参数回归的有效估计
- 研究问题
- 在具有条件异方差的时间序列非参数回归中，利用动态方差信息加权，能否提高局部多项式估计的效率？
- 方法与思路
- 作者提出考虑动态异方差的加权局部多项式平滑器，比较其与通常不加权程序的渐近方差，并开展蒙特卡洛研究。
- 材料陈述的贡献
- 摘要称在多种常见非参数回归模型中，加权方法具有更低的渐近方差，模拟也支持其相对常规估计量的有限样本效率增益。
- 阅读关注点
- 应核对效率增益成立的模型与权重条件、条件方差如何估计，以及权重估计误差、带宽选择对最终比较的影响。
- 阅读边界
- 仅据所给出版社摘要，不能将效率增益推广到所有非参数回归；具体依赖条件、模拟设计和改善幅度均未说明。
原文摘要
We study the efficient estimation of nonparametric regression in the presence of heteroskedasticity. We focus our analysis on local polynomial estimation of nonparametric regressions with conditional heteroskedasticity in a time series setting. We introduce a weighted local polynomial regression smoother that takes account of the dynamic heteroskedasticity. We show that, although traditionally it is advised that one should not weight for heteroskedasticity in nonparametric regressions, in many popular nonparametric regression models our method has lower asymptotic variance than the usual unweighted procedures. We conduct a Monte Carlo investigation that confirms the efficiency gain over conventional nonparametric regression estimators in finite samples.