Discovering the Network Granger Causality in Large Vector Autoregressive Models
大型向量自回归模型中的网络格兰杰因果关系发现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：摘要明确以高维 VAR 为模型并分析宏观变量的动态预测关系，直接对应 VAR 与时间序列方向。
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
大型向量自回归模型中的网络格兰杰因果关系发现
- 研究问题
- 在高维向量自回归模型中，如何识别变量之间的格兰杰预测关系，并在大量同时检验中控制错误发现率？
- 方法与思路
- 作者提出基于去偏 lasso 的渐近正态检验及其 bootstrap 版本，并利用渐近 e 变量增强对横截面依赖的稳健性。
- 材料陈述的贡献
- 摘要称研究了错误发现率控制与功效保证，数值证据支持两类程序的表现，并应用于英国宏观变量和地区房价。
- 阅读关注点
- 应核对时间依赖、稀疏性及维度增长条件，e 变量稳健化的具体范围，并区分格兰杰预测关系与结构因果效应。
- 阅读边界
- 依据稿件版本未注明的 OpenAlex 索引摘要；理论限制和应用细节未说明，格兰杰关系不能仅凭摘要解释为结构因果效应。
原文摘要
This article proposes novel inferential procedures for discovering the network Granger causality in highdimensional vector autoregressive models.In particular, we mainly offer two multiple testing procedures designed to control the false discovery rate (FDR).The first procedure is based on the limiting normal distribution of the t-statistics with the debiased lasso estimator.The second procedure is its bootstrap version.We also provide a robustification of the first procedure against any cross-sectional dependence using asymptotic e-variables.Their theoretical properties, including FDR control and power guarantee, are investigated.The finite sample evidence suggests that both procedures can successfully control the FDR while maintaining high power.Finally, the proposed methods are applied to discovering the network Granger causality in a large number of macroeconomic variables and regional house prices in the United Kingdom.Supplementary materials for this article are available online, including a standardized description of the materials available for reproducing the work.