Identifiability and estimation of structural vector autoregressive models for subsampled and mixed-frequency time series
降采样与混频时间序列中结构向量自回归模型的可识别性与估计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。
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：摘要明确研究降采样和混频多变量时间序列，并使用结构 VAR 识别即时与滞后关系，直接对应时间序列及 VAR 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…
降采样与混频时间序列中结构向量自回归模型的可识别性与估计
- 研究问题
- 当观测频率低于因果作用的时间尺度，或各序列频率不同时，如何识别并估计目标尺度上的即时与滞后关系？
- 方法与思路
- 作者依托非高斯冲击的结构 VAR，建立降采样与混频下的统一识别和估计框架，并推导两类设置中的精确 EM 算法。
- 材料陈述的贡献
- 摘要称，框架支持目标时间尺度上即时及滞后因果结构的识别与估计，并通过模拟、气候和计量数据进行验证。
- 阅读关注点
- 应核对非高斯冲击之外的识别条件、观测频率配置与模型限制，以及精确 EM 的计算方式和应用中的因果解释依据。
- 阅读边界
- 仅据 Crossref 摘要；完整识别条件与验证数值未说明，非高斯性本身不足以据此认定任意混频序列的因果结构可识别。
原文摘要
Summary Causal inference in multivariate time series is challenging because the sampling rate may not be as fast as the time scale of the causal interactions, so the observed series is a subsampled version of the desired series. Furthermore, series may be observed at different sampling rates, yielding mixed-frequency series. To determine instantaneous and lagged effects between series at the causal scale, we take a model-based approach that relies on structural vector autoregressive models. We present a unifying framework for parameter identifiability and estimation under subsampling and mixed frequencies when the noise, or shocks, is non-Gaussian. By studying the structural case, we develop identifiability and estimation methods for the causal structure of lagged and instantaneous effects at the desired time scale. We further derive an exact expectation-maximization algorithm for inference in both subsampled and mixed-frequency settings. We validate our approach in simulated scenarios and on a climate and an econometric dataset.