Nonparametric estimation and inference for conditional density based Granger causality measures
基于条件密度的Granger因果度量：非参数估计与推断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：摘要直接研究时间序列的线性与非线性Granger因果度量及其推断。
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…
基于条件密度的Granger因果度量：非参数估计与推断
- 研究问题
- 如何非参数估计基于条件密度的Granger因果度量，以量化线性及非线性预测关联，并开展偏差修正和统计检验？
- 方法与思路
- 作者将度量改写为copula密度的函数，使用一致的非参数密度估计，并以局部平滑自助法进行偏差修正和检验。
- 材料陈述的贡献
- 摘要称建立了度量估计量的一致性与渐近正态性，讨论自助法有效性，并以模拟和两个应用展示有限样本表现。
- 阅读关注点
- 应核对条件密度与copula表示的要求、平滑参数和依赖条件，以及自助偏差修正与检验临界值的构造。
- 阅读边界
- 仅据所给出版社摘要，无法判断具体条件和应用结果；Granger因果描述预测信息关系，不能直接解释为干预意义上的因果效应。
原文摘要
We propose a nonparametric estimation and inference for conditional density based Granger causality measures that quantify linear and nonlinear Granger causalities. We first show how to write the causality measures in terms of copula densities. Thereafter, we suggest consistent estimators for these measures based on a consistent nonparametric estimator of copula densities. Furthermore, we establish the asymptotic normality of these nonparametric estimators and discuss the validity of a local smoothed bootstrap that we use in finite sample settings to compute a bootstrap bias-corrected estimator and to perform statistical tests. A Monte Carlo simulation study reveals that the bootstrap bias-corrected estimator behaves well and the corresponding test has quite good finite sample size and power properties for a variety of typical data generating processes and different sample sizes. Finally, two empirical applications are considered to illustrate the practical relevance of nonparametric causality measures.