Quantile Vector Autoregression without Crossing
无分位数交叉的分位数向量自回归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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要的方法核心是分位数向量自回归的估计和模型选择，并明确提出脉冲响应分析，对应时间序列与 VAR 分析。
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
无分位数交叉的分位数向量自回归
- 研究问题
- 如何在分位数向量自回归中避免预测分位曲线交叉，同时处理庞大的参数空间、选择滞后阶数并开展动态响应分析？
- 方法与思路
- 作者将自回归结构转化到单纯形以约束分位数单调性，引入 SCAD 惩罚和 BIC 调参，并提出分位数脉冲响应分析框架。
- 材料陈述的贡献
- 摘要称，方法保证估计分位曲线单调，并建立估计收敛与渐近正态性、阶数选择一致性和 BIC 惩罚选择的有效性。
- 阅读关注点
- 应核对单纯形参数化如何保证全分位范围单调、理论结论所需条件，以及脉冲响应的定义、解释和股票数据应用设定。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未给出理论条件、具体响应定义或实证比较结果。
原文摘要
This paper considers estimation and model selection of quantile vector autoregression (QVAR). Conventional quantile regression often yields undesirable crossing quantile curves, violating the monotonicity of quantiles. To address this issue, we propose a simplex quantile vector autoregression (SQVAR) framework, which transforms the autoregressive (AR) structure of the original QVAR model into a simplex, ensuring that the estimated quantile curves remain monotonic across all quantile levels. In addition, we impose the smoothly clipped absolute deviation (SCAD) penalty on the SQVAR model to mitigate the explosive nature of the parameter space. We further develop a Bayesian information criterion (BIC)-based procedure for selecting the optimal penalty parameter and introduce new frameworks for impulse response analysis of QVAR models. Finally, we establish asymptotic properties of the proposed method, including the convergence rate and asymptotic normality of the estimator, the consistency of AR order selection, and the validity of the BIC-based penalty selection. For illustration, we apply the proposed method to U.S. stock market data, highlighting the usefulness of our SQVAR method.