Gradient Wild Bootstrap for Instrumental Variable Quantile Regressions with Weak and Few Clusters
针对少量大聚类下的工具变量分位数回归推断问题,提出梯度野生自助Wald检验和弱识别稳健的野生自助AR检验,证明其渐近水平控制性质与功效优势,通过模拟和美国劳动力市场数据实证验证了有限样本性能。
2024-08-20 econ.EM
On Time-Varying VAR Models: Estimation, Testing and Impulse Response Analysis
向量自回归(VAR)模型广泛用于实际研究,例如,预测、建立政策传导机制模型以及衡量经济主体之间的联系。为了更好地捕捉动态,本文引入了一类新的时变VAR模型,其中的误差新息的系数和协方差矩阵允许随时间平滑地变化。在此基础上,建立了一套理论,包括短期和长期约束下的脉冲响应分析、选择最优时滞的信息准则和确定常系数的Wald型检验。仿真研究进行了评估的理论研究结果。最后,我们通过对美国货币政策的传导机制的应用,证明了所提出的方法的实证相关性和实用性。
2021-10-31 econ.EM
Weak-instrument-robust subvector inference in instrumental variables regression: A subvector Lagrange multiplier test and properties of subvector Anderson-Rubin confidence sets
ETH Zürich(苏黎世联邦理工学院)
本文提出了一种弱工具变量鲁棒的子向量拉格朗日乘数检验,并探讨了子向量安德森-鲁宾置信集的性质。
2026-03-01 econ.EM math.ST stat.TH
An Improved Inference for IV Regressions
Singapore Management University(新加坡国立大学);Nanyang Technological University(南洋理工大学)
本文提出一种结合检验,整合低维工具变量和多工具变量的统计量,通过线性组合集群稳健Wald统计量与留一集群排除Lagrange乘数和Anderson-Rubin统计量,实现效率提升和弱识别适应。
2026-03-24 econ.EM
Robust Two-Sample Inference under Serial Dependence
University at Albany, SUNY(纽约州立大学奥尔巴尼分校);University of Connecticut(康涅狄格大学)
本文提出了一种在序列依赖下稳健的两样本均值检验方法,通过改进的t近似和野 bootstrap技术,提升小样本下的推断性能。
2026-07-29 econ.EM
Fixed-smoothing Uniform Inference for Quantile Regression
Shanghai University of Finance and Economics(上海财经大学);Michigan State University(密歇根州立大学);Hanyang University, Korea(韩国汉阳大学)
本文提出时间序列分位数回归的固定平滑推断方法,实现跨分位数均匀有效,通过均匀-τ和堆叠Wald两种方法解决非渐近枢轴问题,模拟显示优于HAC方法,实证揭示股票收益预测效应的异质性。
2026-11-03 econ.EM stat.ME
Inference after discretizing time-varying unobserved heterogeneity
KU Leuven(鲁汶大学);Paris School of Economics(巴黎经济学校)
本文针对线性面板数据模型中的时变不可观测异质性离散化,提出基于偏差减少矩的推断程序,填补了聚类后推断的理论空白,并在财政政策应用中验证了其有效性。
2025-10-17 econ.EM
Inference in a Stationary/Nonstationary Autoregressive Time-Varying-Parameter Model
本文针对带确定性时变参数的AR(1)模型,提出支持平稳与非平稳时段平滑过渡的局部最小二乘估计方法,推导相关极限分布并构建一致有效的置信区间与中位数无偏区间估计量。
2024-11-01 econ.EM
Non-standard inference for augmented double autoregressive models with null volatility coefficients
本文考虑了一个增广双自回归模型,该模型允许波动系数为零,以避免DAR模型中的过参数化问题。由于波动率系数可能在边界上,基于高斯拟极大似然估计(GQMLE)的统计推断方法变得不标准,其渐近性要求数据具有有限的六阶矩,这就缩小了研究重尾数据的适用范围。为了克服这一缺陷,本文提出了一个系统的统计推断过程的基础上的自加权GQMLE的增强DAR模型。除Lagrange乘子检验统计量外,Wald检验统计量、拟似然比检验统计量和Portmanteau检验统计量均具有非标准渐近性。整个过程是有效的,只要数据是平稳的,它的有用性说明了模拟研究和一个真实的例子。
2019-05-06 econ.EM stat.ME
Causal Inference under Dynamic Selection and Latent Heterogeneity
University College London(伦敦大学学院)
本研究提出一种基于核函数的双重稳健估计方法,利用预处理结果历史控制潜在异质性,识别交错采纳下的动态处理效应,并应用于美国计划生育项目,估计其对生育率的影响。
2026-10-23 econ.EM
Time-Varying Vector Error-Correction Models: Estimation and Inference
本文提出时变向量误差修正模型,允许单位根与局部平稳过程共存,建立时变Granger表示定理及估计推断理论,并应用于检验美国期限结构的理性预期假说。
2023-05-28 econ.EM
Bayesian Inference in High-Dimensional Time-varying Parameter Models using Integrated Rotated Gaussian Approximations
研究者们越来越希望对包含大量解释变量的时变参数回归进行估计。包括先验信息,以减轻过度参数化的问题,导致许多使用贝叶斯方法。然而,贝叶斯马尔可夫链蒙特卡罗(MCMC)方法在计算上要求很高。在本文中,我们开发了计算效率高的贝叶斯方法估计TVP模型使用集成旋转高斯近似(IRGA)。这利用了这样一个事实,即回归变量的常系数通常很重要,而大多数TVP通常不重要。由于高斯分布对旋转是不变的,我们可以将后验分为两部分:一部分涉及常数系数,另一部分涉及TVP。对后者使用近似方法,在此条件下,前者使用MCMC方法进行精确估计。在涉及人工数据和大型宏观经济数据集的实证练习中,我们展示了IRGA方法的准确性和计算优势。
2020-02-24 econ.EM
Statistical inference for the logarithmic spatial heteroskedasticity model with exogenous variables
在大量的文献中,大量的模型对均值的空间相关性进行了深入的研究,然而,对方差的空间相关性的研究却相对滞后。现有的方差空间依赖性模型是稀缺的,既没有概率结构,也没有统计推断程序进行了探索。为了克服这一缺陷,本文提出了一个新的带有外生变量的广义对数空间异方差模型(log-SHE模型)来研究方差的空间依赖性。针对log-SHE模型,研究了其空间近历元相关性,给出了系统的统计推断方法,包括极大似然估计和广义矩估计估计,模型参数约束的Wald检验、Lagrange乘子检验和似然比D检验,以及模型诊断检验的过识别检验.使用空间NED工具,在正则条件下建立了所有估计和检验的渐近性。仿真结果和一个真实的数据例子上的房屋销售价格说明了所提出的方法的实用性。
2023-01-17 econ.EM stat.ME
Nonparametric Estimation and Inference in Economic and Psychological Experiments
本文的目的是为心理学和经济学实验中的非参数估计和推断提供一些工具。我们考虑了一个实验框架,其中每个$n$受试者提供$T$响应于$T$刺激的载体。我们建议估计未知函数$f$连接刺激反应通过非参数筛选估计。当$n$或$T$或两者发散时,我们给出了一致性的条件。收敛速度取决于误差协方差结构,允许不同的科目。利用这些结果,我们得到了筛基维数与$n$和$T$的最优发散率。我们提供的指导,在实验室实验中的受试者和问题的数量之间的最佳平衡,并认为一个大的$n$往往比一个大的$T$。我们推导出$T$的估计量的泛函的渐近正态性的条件,并应用它们来获得Wald检验的渐近分布时,零下的约束的数量是有限的,当它与其他渐近参数一起发散。最后,我们研究了条件协方差矩阵被估计量取代时的先前性质。
2019-12-06 econ.EM stat.AP
Simultaneous inference for time-varying models
本文考虑了一类一般的时变回归模型。我们用局部线性M-估计估计回归系数。对于这些估计,弱Bahadur表示,并用于构建同时置信带。在实际应用中,我们提出了一个基于自举的方法来规避理论上的同步带的对数收敛速度慢。我们的结果大大推广和统一的处理几个时变回归和自回归模型。在模拟中研究了GARCH和GARCH模型的性能,并通过对一些流行的金融数据集的分析,给出了我们研究的一些实际应用。
2021-03-08 econ.EM math.ST stat.TH
Fast and Flexible Bayesian Inference in Time-varying Parameter Regression Models
本文将含有K个解释变量和T个观测值的时变参数(TVP)回归模型写成含有KT个解释变量的常系数回归模型。与现有文献中假设系数按照随机游走演化的假设不同,本文引入了TVP的分层混合模型。由此产生的模型密切模仿一个随机系数的规格,分组的TVP到几个政权。这些灵活的混合物允许TVP具有少量、中等或大量的结构断裂。我们开发了计算效率的贝叶斯计量经济学方法的基础上的奇异值分解的KT回归。在人工数据中,我们发现我们的方法在计算时间方面比标准方法更准确,更快。在一个涉及使用大量预测因子进行通货膨胀预测的实证研究中,我们发现我们的模型比其他方法预测得更好,并且记录了不同的参数变化模式,而不是假设参数随机游走演化的方法。
2021-09-30 econ.EM stat.CO
Inference methods for unit-specific coefficients in panel data models with latent group structure
Graduate School of Economics, University of Tokyo(东京大学经济学研究科);Faculty of Economics, the University of Tokyo(东京大学经济学部)
针对面板数据模型中具有潜在群组结构的单位特定系数,提出两种结合群组成员置信集的推断方法,实现效率提升并保证统计有效性。
2026-06-23 econ.EM stat.ME
Asymptotic Uniform False Discovery Rate Control for Inference of Time-varying Correlations
Ruhr University Bochum(鲁尔大学波鸿分校);Tsinghua University(清华大学)
本文提出通过时间变化p值控制学习时间变化相关网络的方法,结合高维高斯近似和理论保证的统计程序,用于非平稳时间序列中的虚假发现率控制。
2026-07-31 econ.EM math.ST stat.ME
Modeling Systemic Risk: A Time-Varying Nonparametric Causal Inference Framework
Technical University of Munich(慕尼黑工业大学);Virginia Tech(弗吉尼亚理工大学);Ecole Polytechnique Fédérale de Lausanne(洛桑联邦理工学院)
提出时变非参数有向信息图框架,基于广义格兰杰因果度量估计动态因果网络,用于识别和监测金融系统(含加密货币)中的系统性风险及其跨部门溢出效应。
2023-12-27 cs.AI cs.IT econ.EM