Estimation and inference in a high-dimensional semiparametric Gaussian copula vector autoregressive model
高维半参数高斯 Copula 向量自回归模型的估计与推断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：摘要明确研究高维向量自回归过程、转移矩阵及 Granger 因果关系推断。
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
高维半参数高斯 Copula 向量自回归模型的估计与推断
- 研究问题
- 如何在高维半参数高斯 Copula 向量自回归过程中估计转移矩阵，并对 Granger 因果关系进行推断，同时兼顾变换后的潜在过程？
- 方法与思路
- 作者以潜在高斯过程方差和自协方差矩阵的秩估计构造转移矩阵估计量，依据收敛速率开展去偏推断，分析使用 α 混合下的 U 统计量不等式。
- 材料陈述的贡献
- 摘要称，建立了估计量收敛速率与 Granger 因果关系的去偏推断，方法也直接适用于变换后的潜在过程，并用数值结果展示效果。
- 阅读关注点
- 应核对 Copula 变换与可识别对象、维度增长及依赖条件、去偏步骤和方差估计，并辨明 Granger 因果关系的预测性解释范围。
- 阅读边界
- 所给 RePEc 出版社摘要未列出完整正则条件和数值结果；Granger 因果关系不能直接解释为干预效应，也不能推断其他版本变化。
原文摘要
This paper develops simple, robust estimation and inference methods for the transition matrix of a high-dimensional semiparametric Gaussian copula vector autoregressive process. Our estimator is based on rank estimators of the large variance and auto-covariance matrices of a transformed latent high-dimensional Gaussian process. We derive rates of convergence of our estimator based on which we develop de-biased inference for Granger causality. Numerical results demonstrate the efficacy of the proposed methods. Although our focus is on the observable process, by the nature of rank estimators, all the methods developed directly apply to the transformed latent process. In technical terms, our analysis relies heavily on newly developed exponential inequalities for (degenerate) U-statistics under α-mixing condition.