Statistical Inference for Local Granger Causality
局部格兰杰因果关系的统计推断AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究局部平稳多元时间序列的时变关系，并明确将识别金融数据结构变化作为应用。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
局部格兰杰因果关系的统计推断
- 研究问题
- 多元非平稳时间序列中的预测关系可能随时间变化，如何定义局部格兰杰因果关系，并为其估计和检验建立统计推断？
- 方法与思路
- 作者在多元局部平稳过程下构造频域局部格兰杰因果指标，用局部 Whittle 似然估计参数化时变谱密度矩阵。
- 材料陈述的贡献
- 摘要称，估计量在正则条件下渐近正态，检验统计量具有正态向量二次型极限，并在脑信号和金融结构变化分析中展示应用。
- 阅读关注点
- 核对局部平稳与谱模型条件、局部窗口选择、检验二次型分布的计算方式，以及时变预测联系如何与结构变化区分。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收未核实；摘要未列明正则条件，格兰杰预测关系本身不能确定干预意义上的因果效应。
原文摘要
Granger causality has been employed to investigate causality relations between components of stationary multiple time series. We generalize this concept by developing statistical inference for local Granger causality for multivariate locally stationary processes. Our proposed local Granger causality approach captures time-evolving causality relationships in nonstationary processes. The proposed local Granger causality is well represented in the frequency domain and estimated based on the parametric time-varying spectral density matrix using the local Whittle likelihood. Under regularity conditions, we demonstrate that the estimators converge to multivariate normal in distribution. Additionally, the test statistic for the local Granger causality is shown to be asymptotically distributed as a quadratic form of a multivariate normal distribution. The finite sample performance is confirmed with several simulation studies for multivariate time-varying autoregressive models. For practical demonstration, the proposed local Granger causality method uncovered new functional connectivity relationships between channels in brain signals. Moreover, the method was able to identify structural changes in financial data.