[논문 리뷰] Initial-Condition-Robust Inference in Autoregressive Models

Donald W. K. Andrews, Ming Li외 1명|arXiv (Cornell University)|2026. 02. 10.

Statistical Methods and Inference인용 수 0

한 줄 요약

초기조건에 강건한 IC-신뢰구간(ICR CI)을 AR(1) 매개변수에 제안하여 초기 조건과 무관하게 올바른 커버리지를 유지하고, 조건부 이분산성에도 강건하며 길이 증가는 약간만 발생합니다.

ABSTRACT

This paper considers confidence intervals (CIs) for the autoregressive (AR) parameter in an AR model with an AR parameter that may be close or equal to one. Existing CIs rely on the assumption of a stationary or fixed initial condition to obtain correct asymptotic coverage and good finite sample coverage. When this assumption fails, their coverage can be quite poor. In this paper, we introduce a new CI for the AR parameter whose coverage probability is completely robust to the initial condition, both asymptotically and in finite samples. This CI pays only a small price in terms of its length when the initial condition is stationary or fixed. The new CI also is robust to conditional heteroskedasticity of the errors.

연구 동기 및 목표

• 실근이 1에 근접하거나 1과 같을 수 있는 경우에 전통적인 신뢰구간이 비표준 초기 조건에서 실패하는 상황에서 AR(1) 매개변수에 대한 신뢰 가능한 추론을 촉진한다.
• 임의의 초기 조건과 조건부 이분산성 하에서 균일하게 올바른渐적 커버리지를 달성하는 ICR CI를 개발한다.
• ICR CI가 명목 커버리지를 유지하며 길이가 경쟁력 있게 나타난다는 유한 샘플 증거를 제시한다.
• ICR 프레임워크를 기반으로 AR 매개변수에 대한 중앙값 편향이 없는 구간 추정기(MUE)를 도입한다.

제안 방법

• 귀무가설 하에서 초기 조건의 효과를 제거하도록 설계된 추가 회귀변수를 추가하여 ICR 최소제곱 추정기를 구성한다.
• LS 추정치를 기반으로 한 t-통계와 강건한 HC5 분산 추정기를 사용하여 가설 검정을 역으로 해석한다.
• t-통계의 점근 분포 J_h에서 도출된 임계값 c_h(α)을 사용하며, h = n(1−ρ)이다.
• ICR CI를 h = n(1−ρ)인 경우 c_h(α/2) ≤ T_n(ρ) ≤ c_h(1−α/2)인 ρ의 집합으로 정의한다.
• Brownian 움직임을 사용하여 J_h의 시뮬레이션으로 임계값을 결정한다; c_h(α)의 광범위한 표를 제공한다.
• 명시적 구성으로 단측 ICR 신뢰구간에 기초한 점근적 중앙값 편향이 없는 구간 추정기(MUE)를 제안한다.

실험 결과

연구 질문

• RQ1 AR 매개변수에 대한 신뢰구간을 임의의 초기 조건에 대해 강건하게 만들면서도 올바른 점근적 크기를 달성할 수 있는가？
• RQ2 정적 또는 비정적 시작 및 조건부 이분산성 하에서 초기조건 강건 CI의 성능은 기존 CI와 어떻게 비교되는가？
• RQ3 제안된 ICR CI와 동반 MUE의 유한-샘플 커버리지와 길이의 트레이드오프는 무엇인가？
• RQ4 제안된 방법이 파라미터 조정 없이 계산적으로 효율적인가？

주요 결과

• ICR CI는 ρ 값, 초기 조건, 오차 프로세스의 넓은 범위에 걸쳐 명목 95%에 근접한 커버리지를 달성하며, CP은 {93.5%, 95.0%}이다.
• 정적이거나 고정된 초기 조건 하에서 ICR CI의 평균 길이는 AG14 CI의 작은 배수 이내이며(비율은 1.00에서 1.11까지; 평균 길이는 약 3.5% 더 길다).
• 유한-샘플 결과는 ICR CI가 매우 다양한 초기 조건과 조건부 이분산성에 대해 강건함을 보이는 반면, 기존 CI는 커버리지가 심하게 왜곡될 수 있음을 보여준다(예: 일부 케이스에서 24.1%에서 93.5%까지).
• ICR 프레임워크에서 도출된 점근적 중앙값 편향이 없는 구간 추정기(MUE)가 제안되며, 시뮬레이션에서의 절대 중앙값 바이어스는 일반적으로 매우 작다(0.000에서 0.022).
• ICR 접근법은 임의의 초기 조건 및 다양한 형태의 이분산성 포함 넓은 매개변수 공간에 대해 구간의 균일한 크기 점근성을 제공한다.