Bayesian Testing Of Granger Causality In Functional Time Series
函数型时间序列中格兰杰因果关系的贝叶斯检验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：摘要明确采用函数型自回归、格兰杰检验和跨序列预测，直接对应时间序列与预测方法。
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…
函数型时间序列中格兰杰因果关系的贝叶斯检验
- 研究问题
- 对于多条以曲线形式观测的时间序列，如何刻画跨序列相关性，并检验一条序列是否具有预测另一条序列的增量信息？
- 方法与思路
- 作者构建多元函数型自回归模型，在贝叶斯动态线性模型框架下估计参数，并利用贝叶斯因子检验格兰杰因果关系。
- 材料陈述的贡献
- 摘要称模型通过刻画跨序列相关性改善预测，并以两国收益率曲线及天气与城市污染物序列展示检验方法。
- 阅读关注点
- 应核对函数表示、滞后与先验设定、贝叶斯因子的计算及判定规则，并区分格兰杰预测关系与干预意义上的因果效应。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收未核实；摘要未给出检验结果、预测改善幅度或稳健性，不能据此认定结构因果关系。
原文摘要
We develop a multivariate functional autoregressive model (MFAR), which captures the cross-correlation among multiple functional time series and thus improves forecast accuracy. We estimate the parameters under the Bayesian dynamic linear models (DLM) framework. In order to capture Granger causality from one FAR series to another we employ Bayes Factor. Motivated by the broad application of functional data in finance, we investigate the causality between the yield curves of two countries. Furthermore, we illustrate a climatology example, examining whether the weather conditions Granger cause pollutant daily levels in a city.