Loading...
机构名称:
¥ 6.0

在本文中,我们通过长时间的时间间隔收集的观测值分析回归。对于形式的渐近分析,我们假设样品是从连续的时间随机过程中获得的,并让采样间隔δ缩小至零,样品跨度t增加到无穷大。在此设置中,我们表明,只要δ→0相对于t→∞,标准的WALD统计量向无穷大和回归偏差就会变得虚假。这种现象确实是本文中考虑的回归类型在实践中经常观察到的现象。相比之下,我们的渐近理论预测,如果我们使用适当的长期差异估计的WALD测试的强大版本,则伪造性消失。使用长期对短期利率的长期回归我们的经验说明,这得到了强烈和明确的支持。

理解回归,并在长期内以高频收集的观察结果 *

理解回归,并在长期内以高频收集的观察结果 *PDF文件第1页

理解回归,并在长期内以高频收集的观察结果 *PDF文件第2页

理解回归,并在长期内以高频收集的观察结果 *PDF文件第3页

理解回归,并在长期内以高频收集的观察结果 *PDF文件第4页

理解回归,并在长期内以高频收集的观察结果 *PDF文件第5页

相关文件推荐

2024 年
¥6.0
2023 年
¥1.0
2022 年
¥1.0
2020 年
¥4.0
2024 年
¥4.0
2025 年
¥32.0
2024 年
¥1.0
2022 年
¥2.0
2024 年
¥1.0
2024 年
¥2.0
2025 年
¥1.0
2024 年
¥1.0
2021 年
¥4.0
2023 年
¥5.0
2025 年
¥7.0
2024 年
¥2.0
2025 年
¥1.0
2025 年
¥1.0
2024 年
¥3.0
2024 年
¥3.0
2020 年
¥1.0
2025 年
¥1.0
2023 年
¥1.0
2024 年
¥1.0
2024 年
¥1.0