Detecting Sparse Cointegration
稀疏协整关系的检测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：摘要直接研究积分序列、残差平稳性、协整及序列相关，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
稀疏协整关系的检测
- 研究问题
- 论文研究高维积分序列中，当目标序列的长期均衡仅由少量协变量驱动时，如何筛选相关变量并判断是否存在协整关系。
- 方法与思路
- 作者先用自适应 LASSO 筛选积分协变量，再用信息论模型选择准则判断残差平稳性，以减少对渐近分布假设的依赖。
- 材料陈述的贡献
- 摘要称第一步具有模型选择一致性，第二步识别残差的平稳状态；蒙特卡洛实验在内生性和序列相关下仍展示稳健表现。
- 阅读关注点
- 应核对积分阶数、稀疏性与惩罚参数条件，以及变量筛选误差如何影响残差判别，并查看信息论准则的定义和一致性依据。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未列出一致性条件及模拟数值，不能理解为完全不需要假设。
原文摘要
We propose a two-step procedure to detect cointegration in high-dimensional settings, focusing on sparse relationships. First, we use the adaptive LASSO to identify the small subset of integrated covariates driving the equilibrium relationship with a target series, ensuring model-selection consistency. Second, we adopt an information-theoretic model choice criterion to distinguish between stationarity and nonstationarity in the resulting residuals, avoiding dependence on asymptotic distributional assumptions. Monte Carlo experiments confirm robust finite-sample performance, even under endogeneity and serial correlation.