A simple cointegrating rank test without vector autoregression
无需向量自回归的简易协整秩检验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：摘要直接研究混合单整阶数下的非参数协整秩检验，并应用于总量增长模型，最直接对应时间序列方向。
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
无需向量自回归的简易协整秩检验
- 研究问题
- 能否不估计 VAR 而检验协整秩，并利用不同单整阶数变量的矩阵结构获得无干扰参数的渐近推断？
- 方法与思路
- 作者提出完全非参数检验，利用混合单整阶数变量的矩矩阵退化与协整的对应关系，适当标准化后推导极限分布。
- 材料陈述的贡献
- 摘要称检验在一定条件下一致且极限分布不含干扰参数，模拟显示中等样本表现令人满意，并应用于美国总量增长模型。
- 阅读关注点
- 核对矩矩阵的具体定义、混合单整阶数的允许范围和标准化方式，以及一致性的条件、秩判定规则与模拟设置。
- 阅读边界
- 仅据所给工作论文版本摘要，“合理条件”和“中等样本”未具体说明；该预印本不能证明同行评审或接收，也不能推断刊本变化。
原文摘要
This paper proposes a fully nonparametric test for cointegrating rank which does not require estimation of a vector autoregressive model. The test exploits the fact that the degeneracy in the moment matrix of the variables with mixed integration order corresponds to the notion of cointegration. With an appropriate standardization, the test statistics are shown to have a nuisance parameter free limiting distribution and to be consistent under reasonable conditions. Monte Carlo experiments also suggest that the performance of the test is satisfactory with a moderate sample size. The proposed tests are applied to the stochastic growth model using the U.S. aggregate data.