Studying co-movements in large multivariate data prior to multivariate modelling
多变量建模前的大规模数据共同运动分析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：摘要明确讨论 VAR、VARMA 与 ARIMA，并论证面板设定和因子结构。
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…
多变量建模前的大规模数据共同运动分析
- 研究问题
- 为何多变量非平稳模型可能对应简约的单变量 ARIMA 表示，能否在多变量建模前利用单变量特征识别共同运动？
- 方法与思路
- 作者分析共同周期与协整对隐含 ARIMA 阶数的削减，利用自回归根的相似性研究互动，并讨论面板、因子及聚合估计。
- 材料陈述的贡献
- 摘要称，共同周期或协整可降低单变量表示的阶数，并为同质自回归、异质相关移动平均误差及因子结构提供依据。
- 阅读关注点
- 应核对阶数削减的精确条件、自回归根相似性的判别方法，以及截面聚合何时能够估计共同的自回归部分。
- 阅读边界
- 所给出版社摘要未说明共同运动诊断的检验规则与有限样本表现，不能仅凭根相似就确认协整关系或共同因子。
原文摘要
For non-stationary vector autoregressive models (VAR hereafter, or VAR with moving average, VARMA hereafter), we show that the presence of common cyclical features or cointegration leads to a reduction of the order of the implied univariate autoregressive-integrated-moving average (ARIMA hereafter) models. This finding can explain why we identify parsimonious univariate ARIMA models in applied research although VAR models of typical order and dimension used in macroeconometrics imply non-parsimonious univariate ARIMA representations. Next, we develop a strategy for studying interactions between variables prior to possibly modelling them in a multivariate setting. Indeed, the similarity of the autoregressive roots will be informative about the presence of co-movements in a set of multiple time series. Our results justify both the use of a panel setup with homogeneous autoregression and heterogeneous cross-correlated vector moving average errors and a factor structure, and the use of cross-sectional aggregates of ARIMA series to estimate the homogeneous autoregression.