Noncausal vector AR processes with application to economic time series
非因果向量自回归过程及其经济时间序列应用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：摘要直接研究非因果向量自回归过程及经济时间序列的似然推断。
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
非因果向量自回归过程及其经济时间序列应用
- 研究问题
- 当当前观测可以同时依赖过去和未来冲击时，如何将单变量非因果自回归扩展至向量模型，并对混合成分进行似然估计？
- 方法与思路
- 作者在非高斯噪声设定下计算向量自回归模型的近似似然，研究参数最大似然估计，并用一阶模型模拟和两个真实数据例子说明。
- 材料陈述的贡献
- 摘要强调一阶向量模型也可能同时含因果与非因果成分，称在适当条件下建立了自回归参数估计量的渐近正态性。
- 阅读关注点
- 应核对因果与非因果成分的定义和可区分条件、非高斯噪声的作用、似然近似误差，以及渐近正态性所需的具体假设。
- 阅读边界
- 所给出版社摘要未列出噪声分布、识别与渐近条件，也未描述真实数据结果；这里的非因果表示不等同于处理效应研究中的因果判断。
原文摘要
Inference procedures for noncausal autoregressive (AR) models have been well studied and applied in a variety of applications from environmental to financial. For such processes, the observation at time t may depend on both past and future shocks in the system. In this paper, we consider extension of the univariate noncausal AR models to the vector AR (VAR) case. The extension presents several interesting challenges since even a first-order VAR can possess both causal and noncausal components. Assuming a non-Gaussian distribution for the noise, we show how to compute an approximation to the likelihood function. Under suitable conditions, it is shown that the maximum likelihood estimator (MLE) of the vector of AR parameters is asymptotically normal. The estimation procedure is illustrated with a simulation study for a VAR(1) process and with two real data examples.