Noncausal vector autoregressive process: Representation, identification and semi-parametric estimation
非因果向量自回归过程：表示、识别与半参数估计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：摘要核心是VAR时间序列的表示、自协方差识别及半参数估计。
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
非因果向量自回归过程：表示、识别与半参数估计
- 研究问题
- 混合因果与非因果分量的VAR过程如何表示和识别，普通自协方差能提供哪些信息，又为何需要非线性自协方差来区分分量？
- 方法与思路
- 作者建立混合VAR的表示定理，分析二阶识别的能力与局限，并以标准和非线性自协方差构造广义协方差估计量。
- 材料陈述的贡献
- 摘要称，自协方差可识别分量数量，而区分因果与非因果分量需要非线性信息；GCov对非高斯过程一致且无需指定误差分布。
- 阅读关注点
- 应核对分量数量与分量区分的识别逻辑、非高斯性及矩条件的作用，以及GCov一致性的条件和商品价格应用的解释。
- 阅读边界
- 仅据RePEc所载出版社摘要，具体条件和应用结果未说明；这里的因果与非因果描述时间序列表示，不能直接当作政策因果关系。
原文摘要
This paper introduces a representation theorem for a mixed VAR(p) process by distinguishing its causal and noncausal components. That representation is used to discuss the advantages and limitations of second-order identification in a mixed VAR. We show that it is possible to find the numbers of causal or noncausal components of the process from its multivariate autocovariance function, while nonlinear autocovariances are needed to distinguish between them. The paper introduces also a consistent semi-parametric estimator for mixed causal/noncausal multivariate non-Gaussian processes, called the Generalized Covariance (GCov) estimator, which relies on combined standard and nonlinear autocovariances of the process. The GCov does not require any distributional assumptions on the errors. The approach is illustrated by a simulation study and applied to commodity prices.