Explaining Long- and Short-Run Interactions in Time Series Data
解释时间序列数据中的长期与短期相互作用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：摘要以协整和共同特征分解研究时间序列长期、短期关系，并应用于国际商业周期与贸易流，直接对应时间序列方向。
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
解释时间序列数据中的长期与短期相互作用
- 研究问题
- 如何同时识别时间序列的长期与短期组成因素，考察两者的相互关系，并用这些关系理解国际商业周期与贸易流的联系？
- 方法与思路
- 作者将separate cointegration概念扩展至共同特征的趋势—周期分解，将二者结合以缩减参数空间，并识别长期与短期组成因素。
- 材料陈述的贡献
- 摘要称，组合方法可以减少参数维度并识别长短期组成因素，进一步考察其相互关系；作者以国际商业周期和贸易流的关系展示方法。
- 阅读关注点
- 阅读全文时应核对两种分解结合所需的秩与限制、长短期因素的识别方式，以及国际商业周期和贸易流应用中的变量与关系解释。
- 阅读边界
- 摘要未说明识别条件、估计与检验步骤、应用数据或具体结论；因素关系的解释能否具有因果含义，不能仅凭所述分解判断。
原文摘要
In this article, I extend the concept of separate cointegration to include the common-feature trend-cycle decomposition approach. This combined approach operates a reduction of the parameter space and permits the identification of the time series long- and short-run constituent factors. A careful assessment of their reciprocal relations, in turn, allows for the answering of potentially interesting economic questions. To show the usefulness of the proposed methodology, I apply it to the study of the relationships between the international business cycle and trade flows.