Bootstrap Testing of Hypotheses on Co-Integration Relations in Vector Autoregressive Models
向量自回归模型中协整关系假设的自助法检验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：摘要明确研究向量自回归模型中的协整向量检验，直接属于时间序列方法，未涉及结构冲击或局部投影。
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…
向量自回归模型中协整关系假设的自助法检验
- 研究问题
- 向量自回归模型中，协整向量假设检验的有限样本表现可能较差，如何构造尺寸正确且在备择下具有一致性的自助法检验？
- 方法与思路
- 作者在自助样本中施加原假设，并借助漂移参数随机且秩约简的多元 Ornstein–Uhlenbeck 过程建立有效性理论。
- 材料陈述的贡献
- 摘要称该检验具有渐近正确尺寸，并在备择下保持一致性；蒙特卡洛模拟中表现优于既有方法，但未提供具体比较数值。
- 阅读关注点
- 核对原假设如何施加于自助样本、协整向量限制与协整秩的关系，以及新极限理论、模拟设计和尺寸与功效表现。
- 阅读边界
- 摘要未说明创新项条件、滞后阶数选择及参数配置；模拟优势仅属摘要陈述，不能据此判断所有样本规模下的表现。
原文摘要
It is well known that the finite-sample properties of tests of hypotheses on the cointegrating vectors in vector autoregressive models can be quite poor, and that current solutions based on Bartlett-type corrections or bootstrap based on unrestricted parameter estimators are unsatisfactory, in particular in those cases where also asymptotic chi^2 tests fail most severely. In this paper, we solve this inference problem by showing \nthe novel result that a bootstrap test where the null hypothesis is imposed on the bootstrap sample is asymptotically valid. That is, not only does it have asymptotically correct size, but, in contrast to what is claimed in existing literature, it is consistent under the alternative. Compared to the theory for bootstrap tests on the co-integration rank \n(Cavaliere, Rahbek, and Taylor (2012)), establishing the validity of the bootstrap in the framework of hypotheses on the co-integrating vectors requires new theoretical developments, including the introduction of multivariate Ornstein–Uhlenbeck processes with random (reduced rank) drift parameters. Finally, as documented by Monte Carlo simulations, the bootstrap test outperforms existing methods.