WEAK CONVERGENCE TO STOCHASTIC INTEGRALS FOR ECONOMETRIC APPLICATIONS
计量应用中向随机积分的弱收敛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：摘要围绕协整、I(1) 与 I(0) 时间序列及随机积分极限理论展开。
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…
计量应用中向随机积分的弱收敛
- 研究问题
- 在涉及内生性和非线性的协整框架中，如何建立样本协方差向随机积分泛函的弱收敛，并简化相关渐近分析？
- 方法与思路
- 作者提出对 I(1) 与 I(0) 序列函数之样本协方差的新分解，分析不同创新过程下的极限，并用非线性完全修正回归说明应用。
- 材料陈述的贡献
- 摘要称，结果覆盖线性过程、长记忆及混合创新，扩展已有随机积分弱收敛理论，并提供便于实际使用的条件。
- 阅读关注点
- 应核对新分解中各项的阶、函数与创新过程的条件、内生性进入极限的方式，以及非线性完全修正回归的可实施步骤。
- 阅读边界
- 仅依据所给 Crossref 摘要；具体弱收敛条件、随机积分形式及修正方法未说明，不能据此认为任意非线性或长记忆过程都适用。
原文摘要
Limit theory involving stochastic integrals is now widespread in time series econometrics and relies on a few key results on functional weak convergence. In establishing such convergence, the literature commonly uses martingale and semimartingale structures. While these structures have wide relevance, many applications involve a cointegration framework where endogeneity and nonlinearity play major roles and complicate the limit theory. This paper explores weak convergence limit theory to stochastic integral functionals in such settings. We use a novel decomposition of sample covariances of functions of I (1) and I (0) time series that simplifies the asymptotics and our limit results for such covariances hold for linear process, long memory, and mixing variates in the innovations. These results extend earlier findings in the literature, are relevant in many applications, and involve simple conditions that facilitate practical implementation. A nonlinear extension of FM regression is used to illustrate practical application of the methods.