Frequency domain estimation of cointegrating vectors with mixed frequency and mixed sample data
混合频率与混合样本数据的协整向量频域估计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：摘要直接研究协整向量的频域估计，以及混合频率时间序列的推断。
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
混合频率与混合样本数据的协整向量频域估计
- 研究问题
- 当变量的观测频率与样本覆盖不同，如何利用这些不一致的数据估计协整向量，并构造便于实施的统计推断？
- 方法与思路
- 作者提出易计算的谱回归估计量，推导其渐近性质，并以相应 Wald 统计量的渐近卡方分布支持协整参数推断。
- 材料陈述的贡献
- 摘要称所提估计量属于最优协整估计量类别；模拟中表现至少不逊于时域完全修正估计，检验尺寸与功效亦较好。
- 阅读关注点
- 应核对混合频率和混合样本的具体处理、最优性的定义与条件，以及 Wald 推断和有限样本比较采用的设计。
- 阅读边界
- 仅据所给出版社摘要，无法判断最优性适用范围及具体样本匹配要求；模拟比较不能证明所有设定下均优于时域方法。
原文摘要
This paper proposes a simple method for exploiting the information contained in mixed frequency and mixed sample data in the estimation of cointegrating vectors. The asymptotic properties of easy-to-compute spectral regression estimators of the cointegrating vectors are derived and these estimators are shown to belong to the class of optimal cointegration estimators. Furthermore, Wald statistics based on these estimators have asymptotic chi-square distributions which enable inferences to be made straightforwardly. Simulation experiments suggest that the spectral regression estimators considered perform well in finite samples and are at least as good as time domain fully modified estimators. The finite sample size and power properties of the spectral regression-based Wald statistic are also found to be good.