Testing for Causation Using Infinite Order Vector Autoregressive Processes
利用无限阶向量自回归过程检验因果关系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：摘要直接采用有限阶与无限阶 VAR 框架研究时间序列因果检验。
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
利用无限阶向量自回归过程检验因果关系
- 研究问题
- 当真实过程可能是无限阶 VAR，而实际拟合有限阶且阶数随样本量增加时，Granger 因果检验能否保持有效？
- 方法与思路
- 作者允许有限阶 VAR 逼近潜在无限阶过程，推导 Granger 因果及其他因果概念检验的渐近性质，并提供有限的小样本模拟。
- 材料陈述的贡献
- 摘要所述贡献是放宽拟合模型等于真实有限阶机制的假定，在递增阶数框架下建立相关因果检验的渐近理论。
- 阅读关注点
- 应核对阶数增长速度、无限阶系数的限制，以及各因果概念的定义、截断误差控制方式和检验极限分布。
- 阅读边界
- 仅据所给 Crossref 摘要，预测性因果检验不能据此解释为结构因果识别；增长条件、模拟数值及其他版本变化未说明。
原文摘要
Tests for Granger-causality have been performed in numerous empirical studies. These tests are usually based on finite order vector autoregressive (VAR) processes, and the assumption is made that the model fitted to the available data corresponds to the true data generating mechanism. In the present study, the more general assumption is made that a finite order VAR model is fitted to a potentially infinite order process. The order is assumed to increase with the sample size. Asymptotic properties of tests for Granger-causality as well as other types of causality concepts are derived. Some limited small sample results are obtained using simulation methods.