Detecting granular time series in large panels
大型面板中的颗粒性时间序列识别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：摘要研究大型面板中的共同因子与颗粒性序列，并应用于美国工业生产部门数据。
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
大型面板中的颗粒性时间序列识别
- 研究问题
- 在大型经济或金融面板中，如何识别能够影响整个横截面的颗粒性序列，并区分这类影响与共同因子带来的联动？
- 方法与思路
- 作者建立颗粒性面板模型，用逆协方差矩阵各列的范数衡量相应序列的影响，并据此构造未知颗粒性序列集合的检测程序。
- 材料陈述的贡献
- 摘要称横截面与时间维度较大时可一致选择颗粒性序列，共同因子存在时仍可检测；应用显示美国汽车部门的颗粒性影响。
- 阅读关注点
- 应核对列范数为何能够识别颗粒性、逆协方差矩阵的估计与选择规则，以及共同因子和颗粒性影响的可区分条件。
- 阅读边界
- 摘要未说明一致检测的完整条件、阈值及误选数值；汽车部门的影响结论不自动构成因果效应，且不能推断其他版本内容。
原文摘要
Large economic and financial panels can include time series that influence the entire cross-section. We name such series granular. In this paper we introduce a panel data model that allows to formalize the notion of granular time series. We then propose a methodology, which is inspired by the network literature in statistics and econometrics, to detect the set of granulars when such set is unknown. The influence of the ith series in the panel is measured by the norm of the ith column of the inverse covariance matrix. We show that a detection procedure based on the column norms allows to consistently select granular series when the cross-section and time series dimensions are large. Importantly, the methodology allows to consistently detect granulars also when the series in the panel are influenced by common factors. A simulation study shows that the proposed procedures perform satisfactorily in finite samples. Our empirical study shows the granular influence of the automobile sector in US industrial production.