Deep learning based doubly robust test for Granger causality
基于深度学习的双重稳健格兰杰因果检验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：摘要核心是非线性时间序列中的格兰杰因果检验，股票应用不足以另行归入收益预测。
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
基于深度学习的双重稳健格兰杰因果检验
- 研究问题
- 在非线性时间序列中，如何检验格兰杰因果关系，同时应对较大滞后阶数带来的维度问题，并有效计算检验临界值？
- 方法与思路
- 作者结合神经网络与双重稳健统计量，使用乘子 bootstrap 获取临界值，并通过理论分析、数值模拟及股票价格与成交量应用评估方法。
- 材料陈述的贡献
- 摘要称，该统计量达到参数收敛速度，检验渐近控制第一类错误且功效趋近于一，并可缓解大滞后阶数下的计算与维度困难。
- 阅读关注点
- 应核对双重稳健性对应的模型对象、神经网络误差要求、时间依赖和滞后增长条件，以及乘子 bootstrap 的有效性范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明理论条件，格兰杰因果描述预测信息，不能据此认定结构性因果效应。
原文摘要
Granger causality is popular for analyzing time series data in many applications from natural science to social science including genomics, neuroscience, economics, and finance. Consequently, the Granger causality test has become one of the main concerns of the econometrician for decades. Taking advantage of the theoretical breakthroughs in deep learning in recent years, we propose a doubly robust Granger causality test (DRGCT). Our method offers several key advantages. The first and most direct benefit is for the users, DRGCT allows them to handle large lag orders while alleviating the curse of dimensionality that traditional nonlinear Granger causality tests usually face. Second, introducing a doubly robust test statistic for time series based on neural networks that achieves a parametric convergence rate not only suggests a new paradigm for nonparametric inference in econometrics, but also broadens the application scope of deep learning. Third, a multiplier bootstrap method, combined with the doubly robust approach, provides an efficient way to obtain critical values, effectively reducing computational time and avoiding redundant calculations. We prove that the test asymptotically controls the type I error, while achieving power approaches one, and validate the effectiveness of our test through numerical simulations. In real data analysis, we apply DRGCT to revisit the price-volume relationship problem in the stock markets of America, China, and Japan.