Nonparametric/semiparametric estimation and testing of econometric models with data dependent smoothing parameters
数据依赖平滑参数下的非参数与半参数估计及检验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：摘要讨论通用的平滑参数与渐近理论，虽允许弱依赖数据，但未明确具体经济模型或应用，不足以归入给定领域细分。
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…
数据依赖平滑参数下的非参数与半参数估计及检验
- 研究问题
- 实际使用数据驱动的平滑参数时，非参数或半参数估计量及检验统计量，何时仍可沿用确定性平滑参数下的渐近结论？
- 方法与思路
- 作者给出一个充分条件，用于建立随机平滑参数与确定性平滑参数下估计量或检验统计量的一阶渐近等价，并允许一般弱依赖数据。
- 材料陈述的贡献
- 摘要所述贡献是为数据驱动平滑选择提供一阶渐近等价的理论条件，使相关估计与检验的分析可以衔接确定性参数情形。
- 阅读关注点
- 应核对充分条件如何约束平滑参数的随机波动、涵盖哪些选择方法，以及弱依赖条件和一阶等价结论的具体范围。
- 阅读边界
- 仅据所给出版社摘要，无法判断常见交叉验证方法是否满足条件，也不能推断高阶误差、有限样本表现或所有检验均适用。
原文摘要
We consider nonparametric/semiparametric estimation and testing of econometric models with data dependent smoothing parameters. Most of the existing works on asymptotic distributions of a nonparametric/semiparametric estimator or a test statistic are based on some deterministic smoothing parameters, while in practice it is important to use data-driven methods to select the smoothing parameters. In this paper we give a simple sufficient condition that can be used to establish the first order asymptotic equivalence of a nonparametric estimator or a test statistic with stochastic smoothing parameters to those using deterministic smoothing parameters. We also allow for general weakly dependent data.