Determination of vector error correction models in high dimensions
高维向量误差修正模型的确定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VECM、协整秩和自回归滞后为核心，直接涉及多变量时间序列的建模与选择。
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
高维向量误差修正模型的确定
- 研究问题
- 当变量维度较大且可随样本量增长时，如何同时确定向量误差修正模型的协整秩、滞后阶数并估计模型参数？
- 方法与思路
- 作者将协整秩与自回归滞后选择合并为稀疏约束下的模型选择问题，提出收缩型Lasso-VECM估计程序。
- 材料陈述的贡献
- 摘要称选择程序具有一致性，计算复杂度相当于线性规划，并通过模拟及金融危机后的CDS数据应用展示方法表现。
- 阅读关注点
- 应核对协整秩和滞后选择各自使用的稀疏假设、维度增长条件、调参方式，以及线性规划实现与应用结果。
- 阅读边界
- 仅据所给出版社摘要，无法评估所称一般条件的实际范围；摘要未说明误差限制、模拟参数及CDS应用的具体结果。
原文摘要
We provide a shrinkage type methodology which allows for simultaneous model selection and estimation of vector error correction models (VECM) when the dimension is large and can increase with sample size. Model determination is treated as a joint selection problem of cointegrating rank and autoregressive lags under respective practically valid sparsity assumptions. We show consistency of the selection mechanism by the resulting Lasso-VECM estimator under very general assumptions on dimension, rank and error terms. Moreover, with computational complexity of a linear programming problem only, the procedure remains computationally tractable in high dimensions. We demonstrate the effectiveness of the proposed approach by a simulation study and an empirical application to recent CDS data after the financial crisis.