Determination of Long‐run and Short‐run Dynamics in EC‐VARMA Models via Canonical Correlations
通过典型相关确定误差修正 VARMA 模型的长期与短期动态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：摘要研究协整及 VARMA 长短期动态，并明确开展美国利率样本外预测，文本依据直接对应时间序列与预测方向。
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…
通过典型相关确定误差修正 VARMA 模型的长期与短期动态
- 研究问题
- 如何在误差修正 VARMA 模型中统一确定协整秩与短期动态结构，并考察这种建模方式对美国利率样本外预测的作用？
- 方法与思路
- 作者用典型相关分析确定协整秩，摘要称该方法具有强一致性；再以标量成分方法识别短期 VARMA 动态，并开展模拟和利率预测。
- 材料陈述的贡献
- 摘要提出连贯的识别与估计途径，并称 EC-VARMA 在美国利率应用中的样本外预测显著优于 VECM，尤其在较短预测期。
- 阅读关注点
- 核对协整秩选择强一致性的条件、标量成分识别步骤和蒙特卡洛设计，并检查预测窗口、损失函数及与 VECM 的比较方式。
- 阅读边界
- 摘要未说明样本范围、模型阶数、预测评价指标或显著性判断方法；利率应用中的预测优势不能直接推广到其他变量和时期。
原文摘要
Summary This article studies a simple, coherent approach for identifying and estimating error‐correcting vector autoregressive moving average (EC‐VARMA) models. Canonical correlation analysis is implemented for both determining the cointegrating rank, using a strongly consistent method, and identifying the short‐run VARMA dynamics, using the scalar component methodology. Finite‐sample performance is evaluated via Monte Carlo simulations and the approach is applied to modelling and forecasting US interest rates. The results reveal that EC‐VARMA models generate significantly more accurate out‐of‐sample forecasts than vector error correction models (VECMs), especially for short horizons. Copyright © 2015 John Wiley & Sons, Ltd.