Estimating weak periodic vector autoregressive time series
弱周期向量自回归时间序列的估计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。
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：摘要研究周期向量自回归的估计与检验，直接属于时间序列；未涉及冲击识别或脉冲响应分析。
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…
弱周期向量自回归时间序列的估计
- 研究问题
- 在周期向量自回归模型中，若创新项不相关但存在依赖，最小二乘估计的渐近分布和参数约束检验应如何调整？
- 方法与思路
- 作者推导依赖创新项下周期 VAR 参数最小二乘估计的渐近分布，并构造检验线性约束的修正 Wald 检验。
- 材料陈述的贡献
- 摘要称，依赖创新项下的渐近分布可能明显不同于独立同分布情形，并通过蒙特卡洛实验及双变量金融数据应用说明结果。
- 阅读关注点
- 应核对周期结构的设定、创新项依赖与矩条件、渐近协方差的估计方法，以及修正 Wald 检验的有限样本表现。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未给出依赖条件、协方差公式和金融变量，也未报告检验表现数值。
原文摘要
This article develops the asymptotic distribution of the least squares estimator of the model parameters in periodicvector autoregressive time series models (hereafter PVAR) with uncorrelated but dependent innovations. When theinnovations are dependent, this asymptotic distributions can be quite different from that of PVAR models with in-dependent and identically distributed (iid for short) innovations developed in Ursu and Duchesne (2009). Modifiedversions of the Wald tests are proposed for testing linear restrictions on the parameters. These asymptotic results are illustrated by Monte Carlo experiments. An application to a bivariate real financial data is also proposed