Identifying Elasticities in Autocorrelated Time Series Using Causal Graphs
利用因果图识别自相关时间序列中的弹性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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要将工具变量因果识别与自相关时间序列结合，用于价格需求弹性，直接对应这两个方向。
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
利用因果图识别自相关时间序列中的弹性
- 研究问题
- 价格与数量同时决定且时间序列存在结构性自相关时，为什么朴素工具变量估计可能不一致，又如何选择有效的需求弹性估计量？
- 方法与思路
- 作者以未观测混杂变量表示均衡条件构造因果时间图，利用图形推断导出工具变量估计量，其中部分方法同时估计辅助效应。
- 材料陈述的贡献
- 摘要称因果时间图有助于识别与估计量选择，估计结果间的显著差异可辅助拒绝错误模型假设，并展示德国电力市场应用。
- 阅读关注点
- 应核对均衡条件转化为有向无环图的逻辑、时间依赖如何改变工具有效性，以及估计量差异检验能排除哪些模型假设。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未列出有效工具的完整条件，也未提供需求弹性的数值结果。
原文摘要
The price elasticity of demand can be estimated from observational data using instrumental variables (IV). However, naive IV estimators may be inconsistent in settings with autocorrelated time series. We argue that causal time graphs can simplify IV identification and help select consistent estimators. To do so, we propose to first model the equilibrium condition by an unobserved confounder, deriving a directed acyclic graph (DAG) while maintaining the assumption of a simultaneous determination of prices and quantities. We then exploit recent advances in graphical inference to derive valid IV estimators, including estimators that achieve consistency by simultaneously estimating nuisance effects. We further argue that observing significant differences between the estimates of presumably valid estimators can help to reject false model assumptions, thereby improving our understanding of underlying economic dynamics. We apply this approach to the German electricity market, estimating the price elasticity of demand on simulated and real-world data. The findings underscore the importance of accounting for structural autocorrelation in IV-based analysis.