Robust causality test of infinite variance processes
无限方差过程的稳健因果性检验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：摘要研究无限方差创新下的时间序列依赖与因果性检验，未涉及处理效应识别。
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…
无限方差过程的稳健因果性检验
- 研究问题
- 当时间序列创新具有无限方差时，如何构建仍能使用常规极限分布进行推断的因果性检验，并考察其有限样本表现？
- 方法与思路
- 作者为向量非参数线性过程引入依赖度量，分析已有统计量的无限方差极限，并构造时域自加权广义经验似然检验。
- 材料陈述的贡献
- 摘要称自加权检验在模型方差有限或无限时均具有通常的卡方极限分布，并通过模拟展示令人满意的有限样本表现。
- 阅读关注点
- 应核对因果性的统计定义、无限方差创新与线性过程的条件、自加权方式，以及卡方极限和模拟表现成立的具体范围。
- 阅读边界
- 所给出版社摘要未说明尾部条件、权重构造和检验功效数值；这里的时间序列因果性不能直接解释为干预意义上的因果效应。
原文摘要
This paper develops a robust causality test for time series with infinite variance innovation processes. First, we introduce a measure of dependence for vector nonparametric linear processes, and derive the asymptotic distribution of the test statistic by Taniguchi et al. (1996) in the infinite variance case. Second, we construct a weighted version of the generalized empirical likelihood (GEL) test statistic, called the self-weighted GEL statistic in the time domain. The limiting distribution of the self-weighted GEL test statistic is shown to be the usual chi-squared one regardless of whether the model has finite variance or not. Some simulation experiments illustrate satisfactory finite sample performances of the proposed test.