The cointegrated vector autoregressive model with general deterministic terms
含一般确定性项的协整向量自回归模型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：摘要直接研究协整向量自回归、确定性趋势项及秩检验，支持时间序列方向，未明确研究冲击识别。
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…
含一般确定性项的协整向量自回归模型
- 研究问题
- 如何统一处理协整向量自回归中的广泛确定性项，并通过可估计的扩展模型获得原模型参数、渐近分布及相关检验？
- 方法与思路
- 作者将过程分为确定性回归部分与零均值协整过程，构建可用降秩回归估计的扩展模型，并给出参数转换算法与渐近等价条件。
- 材料陈述的贡献
- 摘要称统一推导了极大似然估计的渐近性质，并讨论秩及确定性项检验，给出渐近混合高斯与相应卡方检验成立的条件。
- 阅读关注点
- 应核对允许的确定性回归变量类别、两种模型渐近等价的条件、参数转换步骤，以及不同检验采用卡方分布的适用范围。
- 阅读边界
- 仅依据所给出版社摘要，不能认定任意趋势或确定性项都被覆盖，也不能默认所有秩检验均服从卡方分布；具体条件未说明。
原文摘要
In the cointegrated vector autoregression (CVAR) literature, deterministic terms have until now been analyzed on a case-by-case, or as-needed basis. We give a comprehensive unified treatment of deterministic terms in the additive model Xt=γZt+Yt, where Zt belongs to a large class of deterministic regressors and Yt is a zero-mean CVAR. We suggest an extended model that can be estimated by reduced rank regression, and give a condition for when the additive and extended models are asymptotically equivalent, as well as an algorithm for deriving the additive model parameters from the extended model parameters. We derive asymptotic properties of the maximum likelihood estimators and discuss tests for rank and tests on the deterministic terms. In particular, we give conditions under which the estimators are asymptotically (mixed) Gaussian, such that associated tests are χ2-distributed.