WEAK CONVERGENCE TO STOCHASTIC INTEGRALS UNDER PRIMITIVE CONDITIONS IN NONLINEAR ECONOMETRIC MODELS
非线性计量模型中原始条件下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：摘要明确以时间序列随机积分极限理论及门限自回归、双线性模型为研究对象。
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
非线性计量模型中原始条件下向随机积分的弱收敛
- 研究问题
- 面对内生性与非线性，如何放宽传统鞅、线性过程或混合创新框架，建立时间序列统计量向随机积分的弱收敛？
- 方法与思路
- 作者提出新的弱收敛条件，使创新能够包含长记忆过程、因果过程及近历依赖结构，并讨论非线性模型应用。
- 材料陈述的贡献
- 摘要称扩展了随机积分极限理论可覆盖的依赖结构，应用范围包括门限自回归、双线性及其他非线性模型。
- 阅读关注点
- 核对创新过程的原始条件、随机积分的具体形式，以及内生性与长记忆如何进入极限；查看各应用满足条件的论证。
- 阅读边界
- 所给 Crossref 摘要未列出条件与极限表达式，不能判断允许的长记忆强度，也不能将因果过程术语理解为因果识别结论。
原文摘要
Limit theory with stochastic integrals plays a major role in time series econometrics. In earlier contributions on weak convergence to stochastic integrals, the literature commonly uses martingale and semi-martingale structures. Liang, Phillips, Wang, and Wang (2016) (see also Wang (2015), Chap. 4.5) currently extended weak convergence to stochastic integrals by allowing for a linear process or a α -mixing sequence in innovations. While these martingale, linear process and α -mixing structures have wide relevance, they are not sufficiently general to cover many econometric applications that have endogeneity and nonlinearity. This paper provides new conditions for weak convergence to stochastic integrals. Our frameworks allow for long memory processes, causal processes, and near-epoch dependence in innovations, which have applications in a wide range of econometric areas such as TAR, bilinear, and other nonlinear models.