Model selection criteria for the leads-and-lags cointegrating regression
含超前项与滞后项的协整回归模型选择准则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：摘要明确研究协整时间序列回归中超前项和滞后项的选择。
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
含超前项与滞后项的协整回归模型选择准则
- 研究问题
- 协整回归的真实超前滞后结构为无限维时，常用模型选择准则是否仍适用，如何选择项数以改善长期系数估计的偏差与均方误差？
- 方法与思路
- 作者为超前滞后协整回归推导 Cp、AIC、修正 AIC 与 BIC，论证常规公式的使用，并模拟比较固定规则和对称性限制。
- 材料陈述的贡献
- 摘要称这些准则相较固定规则降低模拟中的偏差与均方误差，且多数情形下允许超前、滞后项数不同具有优势。
- 阅读关注点
- 应核对无限维模型的截断条件、候选项数范围和准则公式，以及不同误差结构下长期系数的偏差与均方误差比较。
- 阅读边界
- 仅据所给出版社摘要，无法判断各准则表现的完整条件和数值幅度；模拟中的相对优势不能视为任何协整系统中的最优选择。
原文摘要
In this paper, Mallows’ (1973)Cp criterion, Akaike’s (1973) AIC, Hurvich and Tsai’s (1989) corrected AIC and the BIC of Akaike (1978) and Schwarz (1978) are derived for the leads-and-lags cointegrating regression. Deriving model selection criteria for the leads-and-lags regression is a nontrivial task since the true model is of infinite dimension. This paper justifies using the conventional formulas of those model selection criteria for the leads-and-lags cointegrating regression. The numbers of leads and lags can be selected in scientific ways using the model selection criteria. Simulation results regarding the bias and mean squared error of the long-run coefficient estimates are reported. It is found that the model selection criteria are successful in reducing bias and mean squared error relative to the conventional, fixed selection rules. Among the model selection criteria, the BIC appears to be most successful in reducing MSE, and Cp in reducing bias. We also observe that, in most cases, the selection rules without the restriction that the numbers of the leads and lags be the same have an advantage over those with it.