DATA DEPENDENT RULES FOR SELECTION OF THE NUMBER OF LEADS AND LAGS IN THE DYNAMIC OLS COINTEGRATING REGRESSION
动态 OLS 协整回归中超前与滞后阶数的数据驱动选择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：摘要明确研究一阶单整变量、协整回归及动态 OLS 的超前滞后选阶，属于时间序列。
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
动态 OLS 协整回归中超前与滞后阶数的数据驱动选择
- 研究问题
- 动态 OLS 协整回归能否用 AIC、BIC 等数据驱动规则选择差分项的超前与滞后阶数，同时保持既有渐近最优性结果？
- 方法与思路
- 作者弱化原有渐近理论的条件，使信息准则选阶可被容纳，并通过模拟与从一般到特殊的序贯检验选阶程序比较。
- 材料陈述的贡献
- 摘要称，弱化条件后原有结果仍成立；模拟显示信息准则可带来更小均方误差与更好的置信区间覆盖率。
- 阅读关注点
- 应核对被弱化的条件、候选阶数范围及信息准则规则，检查模拟设计中样本量、序列相关与选阶误差如何影响结果。
- 阅读边界
- 所给 Crossref 摘要未说明具体弱条件和模拟数值；所述相对改善只对应报告的模拟，不能推断信息准则在所有情形下占优。
原文摘要
Saikkonen (1991, Econometric Theory 7, 1–21) developed an asymptotic optimality theory for the estimation of cointegrated regressions. He proposed the dynamic ordinary least squares (OLS) estimator obtained by augmenting the static cointegrating regression with leads and lags of the first differences of the I(1) regressors. However, the assumptions imposed preclude the use of information criteria such as the Akaike information criterion (AIC) and Bayesian information criterion (BIC) to select the number of leads and lags. We show that his results remain valid under weaker conditions that permit the use of such data dependent rules. Simulations show that, relative to sequential general to specific testing procedures, the use of such information criteria can indeed produce estimates with smaller mean squared errors and confidence intervals with better coverage rates.