Estimating Restricted Cointegrating Vectors
受限协整向量的估计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：摘要明确以协整矩阵、协整向量及其约束估计为研究对象，文本依据指向时间序列中的协整方法。
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
受限协整向量的估计
- 研究问题
- 当协整向量系数满足线性或非线性约束时，如何从常规无约束估计出发估计受限参数，并对这些约束进行统计检验？
- 方法与思路
- 作者将简单最小距离法用于常规方法估计的无约束协整矩阵，估计与无约束协整向量系数存在线性或非线性关系的受限参数。
- 材料陈述的贡献
- 摘要称，文章推导受限参数估计量的极限分布及通常的约束检验，并通过蒙特卡洛实验考察最小距离方法的效果。
- 阅读关注点
- 核对约束映射、最小距离目标与权重矩阵的设定，查看极限分布及约束检验成立的条件，并检查模拟如何衡量方法表现。
- 阅读边界
- 摘要未说明协整秩处理、权重选择、模拟设计或比较结果；据此不能判断有限样本偏差、检验尺寸或相对其他估计法的优势。
原文摘要
This article suggests the use of simple minimum-distance methods to estimate restricted cointegrating vectors. The method directly employs minimum-distance methods on unrestricted cointegrating matrices estimated in the usual way to estimate restricted parameters that are linearly or nonlinearly related to the unrestricted cointegrating vector coefficients. The limiting distribution of the estimates and the usual test for the restrictions are derived. A Monte Carlo experiment is undertaken to examine the effectiveness of these methods for cointegrating vectors.