พิจารณาคลาสของตัวประมาณค่าความแปรปรวนในระยะยาว
kเป็นเคอร์เนลหรือน้ำหนักของฟังก์ชั่นที่ γเจมี autocovariances ตัวอย่าง kเหนือสิ่งอื่นใดต้องสมมาตรและมีk(0)=1 ℓTเป็นพารามิเตอร์แบนด์วิดท์
JT^≡γ^0+2∑j=1T−1k(jℓT)γ^j
kγ^jkk(0)=1ℓT
Newey & West (Econometrica 1987)เสนอเคอร์เนล Bartlett
k(jℓT)={(1−jℓT)0for0⩽j⩽ℓT−1forj>ℓT−1
Hansen & Hodrick ของ (วารสารทางการเมืองเศรษฐกิจ 1980)ประมาณการจำนวนการตัดทอน kernal คือสำหรับเจ≤ MสำหรับบางMและk = 0มิฉะนั้น ตัวประมาณนี้ตามที่กล่าวไว้โดย Newey & West ที่สอดคล้องกัน แต่ไม่รับประกันว่าจะเป็นกึ่งแน่นอน (เมื่อประเมินเมทริกซ์) ขณะที่ Newey & West ประมาณเคอร์เนลคือk=1j≤MMk=0
ลองสำหรับกระบวนการผลิต MA (1) มีค่าสัมประสิทธิ์เชิงลบอย่างยิ่งθ จำนวนประชากรเป็นที่รู้กันว่าเป็นJ = σ 2 ( 1 + θ ) 2 > 0แต่ตัวประมาณของ Hansen-Hodrick อาจไม่ใช่: M=1θJ=σ2(1+θ)2>0
set.seed(2)
y <- arima.sim(model = list(ma = -0.95), n = 10)
acf.MA1 <- acf(y, type = "covariance", plot = FALSE)$acf
acf.MA1[1] + 2 * acf.MA1[2]
## [1] -0.4056092
ซึ่งไม่น่าเชื่อประมาณการสำหรับระยะยาวแปรปรวน
สิ่งนี้จะหลีกเลี่ยงได้ด้วยตัวประมาณค่า Newey-West:
acf.MA1[1] + acf.MA1[2]
## [1] 0.8634806
การใช้sandwich
แพ็คเกจนี้สามารถคำนวณเป็น:
library("sandwich")
m <- lm(y ~ 1)
kernHAC(m, kernel = "Bartlett", bw = 2,
prewhite = FALSE, adjust = FALSE, sandwich = FALSE)
## (Intercept)
## (Intercept) 0.8634806
และการประเมินของ Hansen-Hodrick นั้นสามารถทำได้ดังนี้:
kernHAC(m, kernel = "Truncated", bw = 1,
prewhite = FALSE, adjust = FALSE, sandwich = FALSE)
## (Intercept)
## (Intercept) -0.4056092
ดูเพิ่มเติมที่NeweyWest()
และlrvar()
จากsandwich
เพื่อความสะดวกในการเชื่อมต่อเพื่อรับตัวประมาณค่า Newey-West ของตัวแบบเชิงเส้นและความแปรปรวนระยะยาวของอนุกรมเวลาตามลำดับ
Andrews (Econometrica 1991)ให้การวิเคราะห์ภายใต้เงื่อนไขทั่วไปมากขึ้น
สำหรับคำถามย่อยของคุณเกี่ยวกับข้อมูลที่ทับซ้อนกันฉันจะไม่ทราบถึงเหตุผลของเรื่อง ฉันสงสัยว่าประเพณีเป็นรากฐานของการปฏิบัติทั่วไปนี้