Vector Autoregressions and Causality
向量自回归与因果性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：摘要研究含随机趋势与协整的 VAR 和误差修正模型，重点是 Granger 因果性 Wald 检验，直接对应时间序列与 VAR 推断。
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
向量自回归与因果性
- 研究问题
- 存在随机趋势和协整时，水平 VAR 与误差修正模型中的 Granger 因果性 Wald 检验，在什么条件下可采用标准卡方渐近推断？
- 方法与思路
- 作者建立允许随机趋势和协整的极限理论，将早期结果推广到一般情形，刻画水平 VAR 和误差修正模型中 Wald 检验的渐近分布。
- 材料陈述的贡献
- 摘要称水平 VAR 检验常含干扰参数与非标准分布，误差修正模型检验也有干扰参数依赖且部分情形非标准，因而常规推断受限。
- 阅读关注点
- 阅读时应核对协整结构、被检验限制与标准卡方极限成立的条件，并厘清干扰参数在 VAR 和误差修正模型中的进入方式。
- 阅读边界
- 摘要未列出标准卡方近似有效的具体条件、干扰参数形式或补救方案；不能据此断言所有 VAR 或误差修正模型的检验均无效。
原文摘要
A limit theory for Wald tests of Granger causality in levels vector autoregressions (VAR's) and error correction models (ECM's) is developed, which allows for stochastic trends and cointegration. Earlier work is extended to the general case, thereby characterizing when these Wald tests are asymptotically valid as 'x'(superscript 2) criteria. Our results for inference from unrestricted levels VAR are not encouraging: the limit theory often involves nuisance parameters and nonstandard distributions, a situation offering no satisfactory statistical basis for these tests. Granger causality tests in ECM's also suffer from nuisance parameter dependencies asymptotically and in some cases nonstandard limit theory. Both these results are somewhat surprising in light of earlier research. Copyright 1993 by The Econometric Society.