局部截断最小二乘：可能在非平稳模型中的常规推断
计量经济学
2020-06-24 v1
摘要
我们开发了一种新颖的 IV 估计方法，称之为局部截断最小二乘（LTLS），在数据可能具有弱持续性或强持续性的情况下，能产生具有（混合）高斯极限分布的估计量。特别地，我们允许非线性预测型回归，其中回归量可以是平稳短/长记忆过程，也可以是非平稳长记忆过程或近单位根数组。由此得到的 t 检验具有常规的极限分布（即 N(0; 1)），且不依赖于（近单位根和长记忆）干扰参数。在回归量为分数过程的情况下，不需要记忆参数的初步估计量。因此，实践者可以在对数据中确切的依赖结构不可知的情况下进行推断。LTLS 估计量通过对 OLS 工具变量施加基于时间趋势变量适当核函数的某种时序截断而获得。借助模拟实验研究了基于 LTLS 的 t 检验的有限样本性能。还提供了一个关于股票收益可预测性的实证应用。
引用
@article{arxiv.2006.12595,
title = {Locally trimmed least squares: conventional inference in possibly nonstationary models},
author = {Zhishui Hu and Ioannis Kasparis and Qiying Wang},
journal= {arXiv preprint arXiv:2006.12595},
year = {2020}
}