Granger causality test for heteroskedastic and structural-break time series using generalized least squares
异方差与结构突变时间序列的广义最小二乘 Granger 检验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：摘要直接研究时间序列 Granger 检验，并明确处理残差结构突变。
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
异方差与结构突变时间序列的广义最小二乘 Granger 检验
- 研究问题
- 在时间序列残差存在异方差或结构突变时，基于自协方差估计的广义最小二乘方法能否改善传统 Granger 检验表现？
- 方法与思路
- 作者提出滑动自协方差矩阵估计，并据此构造 GLS Granger 检验，在合成数据和加密货币数据上与经典 F 检验比较。
- 材料陈述的贡献
- 摘要称，在所考察的异方差或结构突变残差情景中，新检验更准确地捕捉 Granger 关系，并用于探索加密货币之间的联系。
- 阅读关注点
- 应核对滑动窗口选择、协方差估计与检验分布的依据，比较检验尺寸和功效，并检查加密货币应用中的滞后阶数设定。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收。摘要未给出数值或有效性条件，Granger 关系不能直接等同结构因果效应。
原文摘要
This paper proposes a novel method (GLS Granger test) to determine causal relationships between time series based on the estimation of the autocovariance matrix and generalized least squares. We show the effectiveness of proposed autocovariance matrix estimator (the sliding autocovariance matrix) and we compare the proposed method with the classical Granger F-test with via a synthetic dataset and a real dataset composed by cryptocurrencies. The simulations show that the proposed GLS Granger test captures causality more accurately than Granger F-tests in the cases of heteroskedastic or structural-break residuals. Finally, we use the proposed method to unravel unknown causal relationships between cryptocurrencies.