A higher-order correct fast moving-average bootstrap for dependent data
依赖数据的高阶正确快速移动平均自助法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：摘要明确研究依赖时间序列的自助法，并以自回归条件持续期模型和交易量动态展示。
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…
依赖数据的高阶正确快速移动平均自助法
- 研究问题
- 对于存在时间依赖的数据，能否构建计算较轻的自助法，同时为参数及半参数估计提供高阶准确的区间推断？
- 方法与思路
- 作者对平滑后的矩条件指标进行独立同分布重抽样，研究适用问题类别，并用于 M 估计、广义矩与广义经验似然估计。
- 材料陈述的贡献
- 摘要称，方法在一定条件下具有高阶正确性；ACD 模拟显示区间较准确且计算较轻，并以美国股票交易量动态作应用。
- 阅读关注点
- 应核对依赖结构、估计函数和核平滑的具体条件，带宽如何选取，以及高阶误差与计算成本比较采用什么基准。
- 阅读边界
- 仅依据所给 RePEc 出版社摘要；高阶展开的条件、带宽与性能数值未说明，计算优势不能直接推广至所有依赖数据问题。
原文摘要
We develop the theory of a novel fast bootstrap for dependent data. Our scheme deploys i.i.d. resampling of smoothed moment indicators. We characterize the class of parametric and semiparametric estimation problems for which the method is valid. We show the asymptotic refinements of the new procedure, proving that it is higher-order correct under mild assumptions on the time series, the estimating functions, and the smoothing kernel. We illustrate the applicability and the advantages of our procedure for M-estimation, generalized method of moments, and generalized empirical likelihood estimation. In a Monte Carlo study, we consider an autoregressive conditional duration model and we compare our method with other extant, routinely-applied first- and higher-order correct methods. The results provide numerical evidence that the novel bootstrap yields higher-order accurate confidence intervals, while remaining computationally lighter than its higher-order correct competitors. A real-data example on dynamics of trading volume of US stocks illustrates the empirical relevance of our method.