Identifying Cointegration by Eigenanalysis
通过特征分析识别协整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：摘要明确研究非平稳时间序列、单整阶数及协整空间和协整秩的识别，直接对应时间序列细分。
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
通过特征分析识别协整
- 研究问题
- 当非平稳时间序列的单整阶数未知且可能不同，如何识别协整空间和协整秩，并处理维数增长与分数阶情形？
- 方法与思路
- 作者对一个非负定矩阵进行特征分析，在不指定参数模型的框架下估计协整空间和秩，并将方法扩展到分数阶设置。
- 材料陈述的贡献
- 摘要称固定维数及缓慢增长维数下均建立一致性，并报告有限样本蒙特卡洛研究和一个小规模实证示例。
- 阅读关注点
- 应核对矩阵的具体构造、协整秩判定规则、允许的维数增长速度，以及整数阶与分数阶理论各自的适用条件。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明依赖条件、阶数限制和模拟结果，无法判断有限样本表现。
原文摘要
We propose a new and easy-to-use method for identifying cointegrated components of nonstationary time series, consisting of an eigenanalysis for a certain non-negative definite matrix. Our setting is model-free, and we allow the integer-valued integration orders of the observable series to be unknown, and to possibly differ. Consistency of estimates of the cointegration space and cointegration rank is established both when the dimension of the observable time series is fixed as sample size increases, and when it diverges slowly. The proposed methodology is also extended and justified in a fractional setting. A Monte Carlo study of finite-sample performance, and a small empirical illustration, are reported.