Testing for Common Trends in Nonstationary Large Datasets
大型非平稳数据集的共同趋势检验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：摘要通过因子表示区分非平稳数据中的线性与随机共同趋势，并检验共同趋势数量，因此对应因子模型与时间序列方向。
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
大型非平稳数据集的共同趋势检验
- 研究问题
- 在高维非平稳数据中，如何确定共同趋势的数量，并区分带线性趋势与随机趋势的共同因子，同时允许因子之间协整？
- 方法与思路
- 作者利用缩放协方差矩阵的特征值随数据维度增大的发散特性，构造随机化检验，检验第 p 大特征值是否发散。
- 材料陈述的贡献
- 摘要称程序可判定线性与随机共同趋势数量，允许因子协整；模拟报告无共同趋势时的相对优势，并给出债券收益率应用。
- 阅读关注点
- 应核对线性趋势、随机趋势与协整在因子表示中的区分，特征值缩放和随机化机制，以及判定共同趋势数量的步骤。
- 阅读边界
- 摘要未列明数据生成过程假设、样本维度增长关系及随机化实施细节；所述比较优势仅涉及摘要概括的模拟情形。
原文摘要
We propose a testing-based procedure to determine the number of common trends in a large nonstationary dataset. Our procedure is based on a factor representation, where we determine whether there are (and how many) common factors (i) with linear trends, and (ii) with stochastic trends. Cointegration among the factors is also permitted. Our analysis is based on the fact that those largest eigenvalues of a suitably scaled covariance matrix of the data corresponding to the common factor part diverge, as the dimension N of the dataset diverges, whilst the others stay bounded. Therefore, we propose a class of randomized test statistics for the null that the pth largest eigenvalue diverges, based directly on the estimated eigenvalue. The tests only requires minimal assumptions on the data-generating process. Monte Carlo evidence shows that our procedure has very good finite sample properties, clearly dominating competing approaches when no common trends are present. We illustrate our methodology through an application to the U.S. bond yields with different maturities observed over the last 30 years.