纽约联储-广义自回归过程的统一推理（英）-2025.4_76页_4mb

总结：Uniform Inference with General Autoregressive Processes

核心内容

本文提出了一种统一的统计推断方法，适用于具有任意自回归根（$(-\infty, \infty)$）的回归模型，包括平稳、局部单位根、爆炸性以及所有中间和震荡区域。传统OLS方法在非平稳回归变量下的极限分布存在不连续性，且依赖于创新项的分布，这导致了在不同持久性水平下需要不同的临界值，从而影响了统计推断的有效性。本文通过构建一种基于数据驱动的工具变量（IV）方法，解决了这一问题，实现了在所有自回归区域中具有统一有效性的统计推断。

主要观点

• 统一的极限分布理论：本文发展了一种统一的极限分布理论，适用于具有任意自回归根的回归模型，包括平稳、局部单位根、爆炸性等所有情况。
• 混合高斯极限性质：提出的新IV估计方法具有混合高斯极限性质，无论自回归变量的持久性如何，其t统计量都趋近于标准正态分布（$\mathcal{N}(0,1)$）。
• 数据驱动的工具变量构造：工具变量是通过将自回归变量的残差和数据驱动的根组合而成，能够自动调整变量的持久性，使其适用于所有自回归区域。
• 适用于多种模型：该方法不仅适用于纯自回归模型，还适用于预测回归模型和局部投影模型，提供了统一的统计推断框架。
• 无需预测试或限制参数空间：该方法不需要预测试或限制参数空间，从而避免了因参数误设导致的大小扭曲问题。
• 良好的有限样本性质：蒙特卡洛模拟显示，该方法在所有自回归参数空间内表现优异，优于现有方法在它们的有效范围内。

关键信息

1. 模型设定

• 纯自回归模型（AR）：$x_t - \mu = \rho(x_{t-1} - \mu) + u_t$，关注参数$\rho$。
• 预测回归模型（PR）：$y_t = \gamma + \beta x_{t-1} + \varepsilon_t$，关注参数$\beta$。
• 局部投影模型（LP）：$x_t = r_h x_{t-h} + v_{h,t}$，关注冲击响应参数$r_h$。

2. 自回归根的分类

• C(i)：近平稳过程，当$c = -\infty$时，$\rho \in (-1,1)$。
• C(ii)：近单位根过程，当$c \in \mathbb{R}$时，$\rho = 1$或$\rho = -1$。
• C(iii)：近爆炸性过程，当$c = \infty$时，$\rho \in (-\infty, -1) \cup (1, \infty)$。

3. 工具变量构造方法

• 构造的工具变量$\tilde{z}_{n,t}$是基于数据驱动的组合，结合了适度平稳和轻微爆炸性过程。
• 工具变量通过递归方式构建，初始值为$\tilde{z}0 = 0$，并根据自回归根$\rho{nz}$进行调整。
• 工具变量的构造依赖于事件$F_n$及其互补事件$\bar{F}n$，以及对应的根选择$\rho{nz}$。

4. IV估计方法

• 对于纯自回归模型（1），IV估计器$\tilde{\rho}_n$形式为标准IV估计器。
• 对于预测回归模型（2），IV估计器$\tilde{\beta}n$通过工具变量$\tilde{z}{n,t-1}$对$x_{t-1}$进行工具化。
• 对于局部投影模型（3），IV估计器$\tilde{r}{h,n}$通过工具变量$\tilde{z}{n,t-h}$对$x_{t-h}$进行工具化。

5. 统计推断的有效性

• 本文方法确保了在所有自回归根区域中，假设检验和置信区间具有正确的渐近大小。
• IV估计器的混合高斯极限性质保证了自标准化t统计量的渐近标准正态分布。
• 无需预测试或限制参数空间，即可进行有效推断。

优势与应用

1. 相对于现有方法的优势

• 统一性：适用于所有自回归根区域，包括平稳、局部单位根和爆炸性区域。
• 分布无关性：不依赖创新项的分布，具有分布自由性。
• 易实现性：基于简单的闭式线性估计器和标准t统计量，仅需$\mathcal{N}(0,1)$临界值，实现简便。
• 可扩展性：方法具有线性和可操作性，适用于多变量模型。

2. 实际应用

• 流行病模型：可用于构造标准SIR模型参数的置信区间。
• 金融应用：可用于实时检测Magnificent Seven科技股价格中的投机泡沫。

结论

本文提出了一种新颖的工具变量推断方法，适用于具有任意自回归根的回归模型，克服了传统OLS方法在不同持久性区域下的局限性。该方法不仅在理论上有统一的渐近性质，还在实际应用中表现出良好的有限样本性能，为非标准自回归模型的统计推断提供了有力的工具。

参考文献与附录

• 本文的理论推导和技术细节在附录中提供，包括假设条件、引理和定理。
• 附录中的引理（Lemmas 3-5）和定理（Theorem 1）建立了IV估计器的混合高斯极限性质。
• 本文的实证部分通过蒙特卡洛模拟验证了方法的有效性，并与现有方法进行了比较。