[论文解读] Initial-Condition-Robust Inference in Autoregressive Models

Donald W. K. Andrews, Ming Li+1 more|arXiv (Cornell University)|Feb 10, 2026

Statistical Methods and Inference被引用 0

一句话总结

提出一个初始条件鲁棒的置信区间（ICR CI）用于 AR(1) 参数，在任何初始条件下保持正确覆盖率，并对条件异方差具有鲁棒性，长度代价适中。

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.

研究动机与目标

• 为 AR(1) 参数提供可靠推断的动机，当真实根可能接近或等于1时，传统置信区间在非标准初始条件下失效。
• 开发一个 ICR CI，使其在任意初始条件和条件异方差下实现正确的渐近覆盖率。
• 提供有限样本证据，表明 ICR CI 在保持名义覆盖率的同时具有具有竞争力的长度。
• 基于 ICR 框架引入一个对 AR 参数的中值无偏区间估计器（MUE）。

提出的方法

• 通过增加一个额外的自回归量来去除在原假设下初始条件影响，从而构造一个 ICR 最小二乘估计量。
• 使用基于 LS 估计量的 t 统计量和鲁棒 HC5 方差估计量来翻转假设检验。
• 使用由 t 统计量的渐近分布 J_h 推导出的临界值 c_h(α)，其中 h = n(1−ρ)。
• 将 ICR CI 定义为当 h = n(1−ρ) 时，满足 c_h(α/2) ≤ T_n(ρ) ≤ c_h(1−α/2) 的 ρ 集合。
• 通过对 Brownian motion 的模拟来确定 c_h(α) 的临界值，并提供 c_h(α) 的广泛列举表。
• 基于单边 ICR CI 的显式构造，提出渐近中值无偏区间估计量（MUE）。

实验结果

研究问题

• RQ1 一个置信区间能否对任意初始条件鲁棒并仍实现正确的渐近量级？
• RQ2 与现有 CI 相比，在平稳/非平稳起点以及条件异方差下，初始条件鲁棒 CI 的性能如何？
• RQ3 所提 ICR CI 及配套 MUE 的有限样本覆盖率与长度权衡如何？
• RQ4 所提方法是否在没有参数调参的前提下计算高效？

主要发现

• ICR CI 在广泛的 ρ 值、初始条件与误差过程下的覆盖概率接近名义值 95%，CPs 为 {93.5%, 95.0%}。
• 在平稳或固定初始条件下，ICR CI 的平均长度在 AG14 CI 的小幅倍数范围内（比值从 1.00 到 1.11；平均长度约长 3.5%）。
• 有限样本结果显示 ICR CI 对高度可变的初始条件和条件异方差具有鲁棒性，而现有的 CI 可能出现严重失真的覆盖（例如在某些情形下从 24.1% 到 93.5%）。
• 基于 ICR 框架提出的渐近中值无偏区间估计量（MUE）在仿真中的绝对中值偏差通常很小（0.000 至 0.022）。
• ICR 方法在包括任意初始条件和各种形式的异方差在内的广泛参数空间下，提供了 CI 的一致尺寸渐近。