STRONG CONSISTENCY RESULTS FOR LEAST SQUARES ESTIMATORS IN GENERAL VECTOR AUTOREGRESSIONS WITH DETERMINISTIC TERMS
含确定性项的一般向量自回归中最小二乘估计量的强一致性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：摘要明确研究含确定性项的一般 VAR 及其最小二乘渐近性质。
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
含确定性项的一般向量自回归中最小二乘估计量的强一致性
- 研究问题
- 对于包含确定性项、且不限制特征根的向量自回归，最小二乘相关统计量能否具有强一致性，其收敛速度如何刻画？
- 方法与思路
- 作者在含确定性项的一般 VAR 框架下研究最小二乘统计量的渐近性质，允许不受限制的特征根，并给出强一致性结果。
- 材料陈述的贡献
- 摘要称结果将此前未纳入确定性项的研究扩展到含确定性项的情形，并相较既有结果改进收敛速度，但未列具体表达式。
- 阅读关注点
- 应核对确定性项的允许形式、创新过程条件、强一致性所针对的统计量，以及不同特征根情形下收敛速度的准确含义。
- 阅读边界
- 所给出版社摘要未列完整假设和速度公式；不限制特征根不意味着不需要其他条件，也不能据此判断所有统计量的性质或版本变化。
原文摘要
A vector autoregression with deterministic terms and with no restrictions to its characteristic roots is considered. Strong consistency results for the least squares statistics are presented. This extends earlier results where deterministic terms have not been considered. In addition the convergence rates are improved compared with earlier results.Comments from S. Johansen are gratefully acknowledged.