如何調整滾動回報的回歸？
我有一個預測變數（x）和因變數（y）。兩者都是每月滾動的年化回報，這自然會在 x 和 y 中引起顯著的自相關。它們在 ADF 測試下也無法保持平穩（這是它們構造滾動收益的自然結果嗎？）就回歸而言，更適合 1）首先對 x 和 y 進行差分還是 2）執行正態回歸(y~x) 並通過使用異變異數和自相關 (HAC) 一致共變異數矩陣估計方法（如 NeweyWest）簡單地調整標準誤差？每種方法在什麼情況下更合適？如果您有任何參考資料，請留下任何參考資料。
這取決於重疊間隔有多大。從概念上講，無限滾動視窗相當於關卡，沒有人會建議“在關卡上回歸併應用 Newey West”。
我認為 NW 在存在相對溫和的自相關的情況下是“穩健的”，而不是能給出正確標準誤差的靈丹妙藥。
如果您使用，例如將每日收益匯總到每月滾動收益，那麼您的連續觀察（以及預期的自相關）中有 90% 的重疊。
我的排序偏好是： 4. Newey West 或類似的 3. Bootstrap 標準錯誤 2. 轉換為狀態空間並應用卡爾曼濾波器 1. 刪除重疊觀察並僅使用非重疊觀察
你的目標是什麼？我假設是要找出 y 是否/如何由 x 引起。你真的應該確保 y 和 x 是靜止的。只有少數情況下線性回歸在非平穩時才有意義（例如 x 是確定性趨勢項），即使在這些情況下，係數估計量的統計特性也與通常不同。
如果回歸器不是平穩的，則結果可能是錯誤的，例如虛假回歸。Newey-West 方法不用於解決平穩性問題，而是用於解決序列相關性問題，這不是您的主要問題。它只是改變了估計的誤差，但如果 x 不是平穩的，則係數估計可能會出現偏差。
我的預感是檢查 x 的變化是否與 y 的變化有關就足夠了。通過區分這兩個系列來做到這一點。但是，如果您懷疑長期的共同趨勢，也請進行協整檢驗（如果 x 只是一個變數而不是一組許多變數，請查找 Engle-Granger 檢驗，它非常簡單）。