Persistence-robust surplus-lag Granger causality testing
对持续性稳健的增广滞后 Granger 因果检验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。
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：摘要在 VARX 框架中研究多类持续性时间序列的 Granger 因果检验。
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…
关注这篇论文的作者
对持续性稳健的增广滞后 Granger 因果检验
- 研究问题
- 当驱动变量的持续性形式未知，可能包含单位根、局部单位根、长记忆或某些结构断裂时，如何统一开展 Granger 因果检验？
- 方法与思路
- 作者将额外加入但不纳入检验的增广滞后方法扩展至无限阶 VARX 框架，分析不同持续性与部分未建模断裂下的零假设极限。
- 材料陈述的贡献
- 摘要称所提检验可在多类持续性过程中保持同一卡方零假设极限，包括平稳、非平稳、局部单位根、长记忆及某些断裂情形。
- 阅读关注点
- 应核对无限阶模型的截断、增广滞后数量、驱动变量条件和可允许的结构断裂，并区分预测意义上的 Granger 因果与结构因果。
- 阅读边界
- 仅据所给出版社摘要，无法确定所有长记忆或断裂过程是否适用，也未说明小样本尺寸与功效；检验本身不建立结构因果识别。
原文摘要
Previous literature has introduced causality tests with conventional limiting distributions in I(0)/I(1) vector autoregressive (VAR) models with unknown integration orders, based on an additional surplus lag in the specification of the estimated equation, which is not included in the tests. By extending this surplus lag approach to an infinite order VARX framework, we show that it can provide a highly persistence-robust Granger causality test that accommodates i.a stationary, nonstationary, local-to-unity, long-memory, and certain (unmodelled) structural break processes in the forcing variables within the context of a single χ2 null limiting distribution.