Estimation of Common Long-Memory Components in Cointegrated Systems
协整系统中共同长记忆成分的估计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：摘要以协整系统、误差修正模型和 I(1) 共同因子为核心，直接涉及时间序列与因子提取，支持这两个细分方向。
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
协整系统中共同长记忆成分的估计
- 研究问题
- 大型协整系统如何通过提取各子系统的共同 I(1) 因子降低维度，再分析这些因子之间的协整关系，并对共同成分进行识别与估计？
- 方法与思路
- 作者要求共同因子是原变量的线性组合，且误差修正项在低频不致因共同因子；随后从完整指定的误差修正模型中估计这些成分。
- 材料陈述的贡献
- 摘要提出共同长记忆成分的新估计方法，并称完整指定的误差修正模型可支持对共同因子的标准卡方检验，另以若干实证例子说明程序。
- 阅读关注点
- 核对低频不致因约束如何识别共同成分、误差修正模型的具体设定，以及卡方检验适用条件和分系统降维步骤。
- 阅读边界
- 摘要将共同成分明确为 I(1)，未说明模型误设或高维规模的处理；不能据此认定该方法适用于一般分数阶长记忆过程。
原文摘要
The study of cointegration in large systems requires a reduction of their dimensionality. To achieve this, we propose to obtain the I(1) common factors in every subsystem and then analyze cointegration among them. In this article, a new way of estimating common long-memory components of a cointegrated system is proposed. The identification of these I(1) common factors is achieved by imposing that they be linear combinations of the original variables Xt , and that the error-correction terms do not cause the common factors at low frequencies. Estimation is done from a fully specified error-correction model, which makes it possible to test hypotheses on the common factors using standard chi-squared tests. Several empirical examples illustrate the procedure.