我看到了一个回归模型，该模型正在回归滞后（12 个月）相同股票指数的同比回报、信用利差（无风险债券和公司债券的月均值之间的差异）产率）、同比通货膨胀率和工业生产同比指数。

它看起来是这样的（尽管在这种情况下您将替换特定于印度的数据）：

SP500YOY(T) = a + b1*SP500YOY(T-12) + b2*CREDITSPREAD(T) +    
b4*INDUSTRIALPRODUCTION(T+2) + b3*INFLATION(T+2) + b4*INFLATIONASYMM(T+2)

SP500YOY 是 SP500 指数的同比回报 要计算这一点，计算 SP500 值的月平均值，然后转换为每个月的同比回报（即 2010 年 1 月至 2011 年 1 月，2010 年 2 月至2011 年 2 月、2010 年 3 月至 2011 年 3 月……）。在解释变量方面，SP500YOY 的 12 个月滞后值与时间 T 的 CREDITSPREAD 以及未来两个时期的通货膨胀和工业生产一起使用。INFLATIONASYMM 是通胀是否高于 5.0% 阈值的虚拟变量。括号中的索引显示了每个变量的时间索引。

这是通过标准 OLS 线性回归估计的。要使用此模型预测 SP500 的 1.2 和 3 个月的同比回报，必须对通货膨胀和工业生产指数生成 3.4 和 5 个月的提前预测。这些预测是在将 ARIMA 模型分别拟合到两者之后完成的。未来 1,2 和 3 个月的 CreditSpread 预测只是作为心理估计。

我想知道这个 OLS 线性回归是正确/不正确、高效/低效还是普遍有效的统计实践。

我看到的第一个问题是使用重叠数据。即股票指数的每日价值每月平均，然后用于计算每月滚动的年度回报。这应该使误差项自相关。我认为人们必须对以下其中一项进行一些“更正”：

• White 异方差一致协方差估计量
• Newey & West 异方差和自相关一致 (HAC) 估计器
• Hansen & Hodrick 的异方差一致版本

将标准 OLS 线性回归（没有任何修正）应用于此类重叠数据真的有意义吗？更重要的是，使用 3 期提前 ARIMA 预测解释变量以用于预测 SP500YOY 的原始 OLS 线性回归？我以前没有见过这样的形式，因此无法真正判断它，除非纠正使用重叠观察。