NONCAUSAL VECTOR AUTOREGRESSION
非因果向量自回归模型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：摘要直接研究非因果 VAR 的识别与估计，并明确讨论忽略该性质对预测的影响，支持时间序列与预测方向。
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
非因果向量自回归模型
- 研究问题
- 对于非高斯时间序列，如何识别和估计非因果 VAR，并判断忽略非因果性是否会影响预测及经济解释？
- 方法与思路
- 作者提出非因果 VAR，在较一般的椭圆误差分布类别下建立极大似然估计与推断理论，并设计因果性判别程序。
- 材料陈述的贡献
- 摘要称非高斯性对识别是必要的，提出估计和判别方法，并以利率数据说明；错误忽略非因果性可能损害预测与解释。
- 阅读关注点
- 应核对非因果性的时间序列定义、非高斯识别条件、似然构造及判别程序，并检查利率应用中的模型选择。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断预测改善幅度；时间序列的因果性概念也不能直接等同于经济干预的因果识别。
原文摘要
In this paper, we propose a new noncausal vector autoregressive (VAR) model for non-Gaussian time series. The assumption of non-Gaussianity is needed for reasons of identifiability. Assuming that the error distribution belongs to a fairly general class of elliptical distributions, we develop an asymptotic theory of maximum likelihood estimation and statistical inference. We argue that allowing for noncausality is of particular importance in economic applications that currently use only conventional causal VAR models. Indeed, if noncausality is incorrectly ignored, the use of a causal VAR model may yield suboptimal forecasts and misleading economic interpretations. Therefore, we propose a procedure for discriminating between causality and noncausality. The methods are illustrated with an application to interest rate data.