Semiparametrically optimal cointegration test
半参数最优协整检验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：摘要直接研究有限阶向量自回归模型中的协整秩检验，属于时间序列方法。
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
半参数最优协整检验
- 研究问题
- 在有限阶向量自回归模型中，当创新分布作为无限维干扰参数时，协整秩检验能否达到半参数效率界？
- 方法与思路
- 作者借助 Le Cam 极限实验理论及 LABF 的 Ornstein–Uhlenbeck 表示推导功效包络，并用非参数密度估计构造可行检验。
- 材料陈述的贡献
- 摘要称，所提检验在有、无时间趋势的情形下均能达到半参数功效包络，模拟显示非高斯创新可带来额外功效。
- 阅读关注点
- 应核对渐近不变性要求、创新分布与密度估计条件，以及功效包络的备择范围和小样本尺寸控制的模拟设计。
- 阅读边界
- 仅据 RePEc 所列出版社摘要解读；分布正则条件、证明与具体功效增益未说明，不能推断其他版本的变化。
原文摘要
This paper aims to address the issue of semiparametric efficiency for cointegration rank testing in finite-order vector autoregressive models, where the innovation distribution is considered an infinite-dimensional nuisance parameter. Our asymptotic analysis relies on Le Cam’s theory of limit experiment, which in this context is of the Locally Asymptotically Brownian Functional (LABF) type likelihood ratios. By exploiting the structural representation of LABF, an Ornstein–Uhlenbeck experiment, we develop the asymptotic power envelopes of asymptotically invariant tests for both cases with and without time trends. We propose feasible tests based on a nonparametrically estimated density and demonstrate that their power can achieve the semiparametric power envelopes, making them semiparametrically optimal. We validate the theoretical results through large-sample simulations and illustrate satisfactory size control and excellent power performance of our tests under small samples. In both cases with and without time trends, we show that a remarkable amount of additional power can be obtained from non-Gaussian distributions.