HETEROSKEDASTICITY-AUTOCORRELATION ROBUST TESTING USING BANDWIDTH EQUAL TO SAMPLE SIZE
使用与样本量相等带宽的异方差自相关稳健检验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：摘要核心是一般回归的 HAC 推断，未给出宏观或金融应用背景，不能仅凭序列相关指定领域。
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…
使用与样本量相等带宽的异方差自相关稳健检验
- 研究问题
- 当 HAC 协方差估计的带宽等于样本量、因而不再一致时，能否仍构造渐近有效的回归参数检验，并改善有限样本近似？
- 方法与思路
- 作者采用带宽等于样本量的核协方差估计，推导显式包含带宽和核选择的检验极限分布，并分析局部功效及模拟表现。
- 材料陈述的贡献
- 摘要称不一致的协方差估计仍可产生渐近枢轴检验；在所比较的常用核中 Bartlett 核局部功效最高，模拟显示近似常有改善。
- 阅读关注点
- 应核对回归误差的依赖条件、核函数限制、非标准临界值的构造，以及局部功效排序所覆盖的核集合和模拟设定。
- 阅读边界
- 仅据所给 Crossref 摘要，不能将 Bartlett 核的排序扩展至所有核或所有备择；有效性条件与有限样本改善幅度均未说明。
原文摘要
Asymptotic theory for heteroskedasticity autocorrelation consistent (HAC) covariance matrix estimators requires the truncation lag, or bandwidth, to increase more slowly than the sample size. This paper considers an alternative approach covering the case with the asymptotic covariance matrix estimated by kernel methods with truncation lag equal to sample size. Although such estimators are inconsistent, valid tests (asymptotically pivotal) for regression parameters can be constructed. The limiting distributions explicitly capture the truncation lag and choice of kernel. A local asymptotic power analysis shows that the Bartlett kernel delivers the highest power within a group of popular kernels. Finite sample simulations suggest that, regardless of the kernel chosen, the null asymptotic approximation of the new tests is often more accurate than that for conventional HAC estimators and asymptotics. Finite sample results on power show that the new approach is competitive.