Identification of Dynamic Regression (Distributed Lag) Models Connecting Two Time Series
连接两条时间序列的动态回归与分布滞后模型识别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：摘要明确研究两条经济时间序列的动态回归、分布滞后和创新模型，因此直接归入时间序列方向。
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
连接两条时间序列的动态回归与分布滞后模型识别
- 研究问题
- 如何根据两条时间序列各自的动态特征及创新之间的关系，确定连接它们的动态回归或分布滞后模型形式？
- 方法与思路
- 作者提出两阶段程序：先分别拟合单变量时间序列模型，再识别创新序列之间的动态冲击模型，最后组合得到回归模型。
- 材料陈述的贡献
- 摘要称提出动态回归识别方法，说明其与双变量时间序列模型的联系，并通过两组经济时间序列展示具体运用。
- 阅读关注点
- 应核对创新提取、滞后结构选择及两阶段模型的组合方式，辨明这里的模型识别与经济冲击的因果识别之间的关系。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；未给出具体条件、数据或误差传播分析，创新之间的联系不能自动解释为因果效应。
原文摘要
A methodology is introduced for identifying dynamic regression or distributed lag models relating two time series. First, specification of a bivariate time-series model is discussed, and its relationship to the usual dynamic regression model is indicated. Then, a two-stage identification procedure is presented which involves fitting univariate time-series models to each series, and identifying a dynamic shock model relating the two univariate model innovation series. The models obtained at these two stages are combined to identify a dynamic regression model, which may then be fitted in the usual ways. Two systems of economic time series illustrate the methodology.