Principal Components Analysis of Cointegrated Time Series
协整时间序列的主成分分析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：摘要研究协整时间序列及其主成分估计与检验，未明确建立因子模型。
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
协整时间序列的主成分分析
- 研究问题
- 能否通过主成分方法估计和检验协整关系，同时避免三角误差修正模型的归一化要求与有限阶向量自回归的设定？
- 方法与思路
- 作者利用主成分分析构造协整向量估计，提出协整检验及协整向量线性限制检验，并提供一个说明性应用。
- 材料陈述的贡献
- 摘要称，方法无需上述归一化或有限阶 VAR 设定，给出渐近有效的协整向量估计量以及协整和线性限制的检验。
- 阅读关注点
- 应核对主成分如何区分平稳与非平稳方向、估计量的归一化方式、渐近效率的条件和参照，以及检验统计量的构造。
- 阅读边界
- 仅据所给 Crossref 摘要；效率条件、检验分布及应用结果未说明，主成分的使用也不足以认定为因子模型，不能推断版本变化。
原文摘要
This paper considers the analysis of cointegrated time series using principal components methods. These methods have the advantage of requiring neither the normalization imposed by the triangular error correction model nor the specification of a finite-order vector autoregression. An asymptotically efficient estimator of the cointegrating vectors is given, along with tests forcointegration and tests of certain linear restrictions on the cointegrating vectors. An illustrative application is provided.