Testing for Granger causality in large mixed-frequency VARs
大型混频 VAR 中的格兰杰因果检验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：摘要明确研究大型混频 VAR 的降秩估计与格兰杰因果检验，对应时间序列及 VAR 方法。
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…
大型混频 VAR 中的格兰杰因果检验
- 研究问题
- 研究变量采样频率差异较大时，如何缓解混频 VAR 的参数膨胀，并构造考虑因子估计不确定性的格兰杰因果检验。
- 方法与思路
- 作者提出基于降秩限制的多种检验及 Bootstrap 版本，并考虑混频贝叶斯 VAR，通过蒙特卡洛与聚合模型等检验进行比较。
- 材料陈述的贡献
- 摘要称 Bootstrap 用于处理因子估计不确定性并改善有限样本性质，提供多种检验方法的模拟比较及一个实证应用。
- 阅读关注点
- 应核对格兰杰非因果原假设、降秩限制如何减少参数，以及因子估计误差的重抽样处理、检验尺寸和功效比较条件。
- 阅读边界
- 本导读限于所给出版社摘要；秩选择、重抽样条件和比较结果未说明，格兰杰因果涉及预测关系，不能直接视为结构因果识别。
原文摘要
We analyze Granger causality testing in a mixed-frequency VAR, where the difference in sampling frequencies of the variables is large, implying parameter proliferation problems in case we attempt to estimate the model unrestrictedly. We propose several tests based on reduced rank restrictions, including bootstrap versions thereof to account for factor estimation uncertainty and improve the finite sample properties of the tests, and a Bayesian VAR extended to mixed frequencies. We compare these methods to a test based on an aggregated model, the max-test (Ghysels et al., 2016a) and an unrestricted VAR-based test (Ghysels et al., 2016b) using Monte Carlo simulations. An empirical application illustrates the techniques.