Subseries Methods in Regression
回归中的子序列方法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：摘要讨论通用回归重抽样方法，虽涉及平稳序列与空间数据，但不足以归入所列经济学应用细分。
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…
关注这篇论文的作者
回归中的子序列方法
- 研究问题
- 研究如何将平稳序列的子序列方法推广到回归，用较短子序列估计统计量的抽样分布，并减少稳健估计的偏差。
- 方法与思路
- 作者在所有给定较短长度的子序列上计算目标统计量，以这些重复统计量的分布近似原统计量的分布，并用于偏差修正。
- 材料陈述的贡献
- 摘要称，适当选择子序列长度可以改善正态近似，并减少稳健估计偏差；模拟展示了分布函数估计与偏差修正的有限样本效果。
- 阅读关注点
- 应核对子序列长度的选择规则、回归与依赖条件，以及误差阶究竟对应什么对象；同时查看偏差修正步骤和空间数据应用。
- 阅读边界
- OpenAlex索引摘要未注明稿件版本；误差阶排版不清，需查原文，不能据此确认参数收敛率。具体条件与模拟设计未说明。
原文摘要
We extend subseries methods for stationary sequences to the regression setting. To estimate sampling distributions, the subseries approach computes the statistic of interest on all possible subseries of a shorter length than the original series, and uses the distribution of these replicates to mimic the distribution of the original statistic. For proper choice of subseries length, the regression parameters can be estimated to order O(n -2/3), thus improving on the normal approximation. The replicates can also be used to reduce the bias of robust estimators. Simulation results demonstrate the finite-sample effectiveness of the approach for both distribution function estimation and bias reduction. Applications to spatial data are also discussed.