Efficient Asymmetric Causality Tests
高效的非对称因果关系检验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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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VAR和正负分量累积时间序列构造非对称因果检验。
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
高效的非对称因果关系检验
- 研究问题
- 在正负变化分别进入VAR的非对称因果检验中，如何处理方程误差相关，并检验正负分量对应参数是否存在显著差异？
- 方法与思路
- 作者沿用正负分量部分累积和的VAR框架，针对跨方程残差相关改进估计，并在多变量系统中检验因果参数及其差异。
- 材料陈述的贡献
- 摘要称研究同时处理估计效率与参数差异检验问题，并以全球两个最大金融市场之间的互动演示十类假设检验。
- 阅读关注点
- 应核对具体估计方法、效率比较的条件、十类假设的定义及检验校准，并区分VAR预测因果与结构性因果解释。
- 阅读边界
- 这是arXiv预印本，同行评审与期刊接收未核实。摘要未说明具体效率条件、市场名称及结果，不能据此确认方法优势。
原文摘要
Asymmetric causality tests are increasingly gaining popularity in different scientific fields. This approach corresponds better to reality since logical reasons behind asymmetric behavior exist and need to be considered in empirical investigations. Hatemi-J (2012) introduced the asymmetric causality tests via partial cumulative sums for positive and negative components of the variables operating within the vector autoregressive (VAR) model. However, since the residuals across the equations in the VAR model are not independent, the ordinary least squares method for estimating the parameters is not efficient. Additionally, asymmetric causality tests mean having different causal parameters (i.e., for positive or negative components), thus, it is crucial to assess not only if these causal parameters are individually statistically significant, but also if their difference is statistically significant. Consequently, tests of difference between estimated causal parameters should explicitly be conducted, which are neglected in the existing literature. The purpose of the current paper is to deal with these issues explicitly. An application is provided, and ten different hypotheses pertinent to the asymmetric causal interaction between two largest financial markets worldwide are efficiently tested within a multivariate setting.