Bootstrap Testing Linear Restrictions on Cointergrating Vectors
协整向量线性约束的 Bootstrap 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：摘要研究协整向量及最大似然协整分析中的检验问题，直接对应时间序列方法，未提供其他细分方向的明确依据。
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
协整向量线性约束的 Bootstrap 检验
- 研究问题
- 在最大似然协整分析中，协整向量线性约束的渐近似然比检验在小样本下有多大尺寸失真，参数 Bootstrap 能否改善名义显著性水平的控制？
- 方法与思路
- 作者采用参数 Bootstrap 进行检验，并用响应面回归研究渐近检验的小样本性质；模拟设计以经验模型为基础，考察模型复杂度与样本量的作用。
- 材料陈述的贡献
- 摘要称，渐近似然比检验在小样本中可能明显偏离名义水平，参数 Bootstrap 经常得到接近名义水平的检验，并刻画模型复杂度对尺寸失真的影响。
- 阅读关注点
- 阅读时应核对线性约束及重抽样的具体构造、经验模型所覆盖的实验设计，以及模型复杂度的度量和不同样本量下尺寸失真的比较。
- 阅读边界
- 摘要未说明重抽样步骤、模型条件及模拟数值；接近名义水平是所述模拟中的表现，不能据此断言其对所有协整模型都有效或检验功效更高。
原文摘要
We consider a computer-intensive method for inference on cointegrating vectors in maximum likelihood cointegration analysis. Simulation studies show that the size distortion for the asymptotic likelihood ratio test can be considerable for small samples. Itis demonstrated that a parametric bootstrap frequently results in a nearly exact α-level test. Furthermore, response surface regression is used to examine small-sample properties of the asymptotic test. In particular, using an extensive experimental design, in which the data-generating processes are based on empirical models, we describe how the complexity of the model affects the degree of size distortion for given sample size.