基础文献1995 · Journal of Econometrics

Statistical inference in vector autoregressions with possibly integrated processes

Hiro Y. Toda · Taku Yamamoto

卷 66 · 期 1-2 · 225-250 · DOI: 10.1016/0304-4076(94)01616-8

宏观 · 时间序列宏观 · VAR 与局部投影阅读原文 ↗

BibTeX ↓RIS ↓

被引 6,079 次 ↗OpenAlex · 核验 2026-09-30

阅读说明

本页提供题录、可核实摘要与阅读线索。AI 解读未完成全文核验，可能有误；具体假设、证明和结论请核对原文。仅依据书目生成的内容属于阅读导航，不是对论文结论的确认。

摘要保留来源文本，未经模型改写。材料不足时保留待解读状态；引用采用 OpenAlex 单条关联记录，不合计版本，缺失不视为零，也不代表论文质量。

代码、数据与补充材料

正在核对对应版本的资源…

AI 解读 · 基于书目与阅读线索

可能含单位根过程时向量自回归的统计推断

研究问题: 当向量自回归（VAR）系统中的变量可能含有单位根（即I(1)或协整）时，如何对VAR系数进行有效的统计推断？核心是检验系数约束（如格兰杰因果、滞后阶数）时，传统Wald检验的渐近分布是否仍为标准分布，以及如何构造不依赖单位根与协整秩的稳健检验。
方法与思路: Toda与Yamamoto提出一种基于增广VAR的Wald检验思路：在水平VAR中额外加入足够多的滞后项（通常为最大可能单整阶数加一），使得待检验系数对应的估计量渐近服从标准正态或卡方分布，从而无需预先检验单位根或协整关系，也无需差分或降秩。该方法通过过度参数化吸收非平稳性带来的非标准渐近分布，直觉上是用额外滞后“吸收”单位根成分，使检验统计量恢复常规渐近理论。
贡献核对线索: 仅基于书目与选编说明，尚未获得原文摘要，无法核实该文的具体定理、模拟结果或实证结论。从题名与期刊定位看，该文通常被定位为在VAR含单位根时提供一种简便的Wald检验程序，其贡献需以原文为准；选编说明未提供额外定位，故不将其扩写为具体结论。
预备知识: 建议先掌握：向量自回归（VAR）模型设定与估计；单位根与I(1)过程；协整的基本概念；Wald检验及其渐近分布；标准渐近理论（如连续映射定理、Slutsky定理）与非标准渐近分布（如布朗运动泛函）的区别；滞后阶数选择与过度参数化的影响。
阅读重点: 阅读原文时重点核对：增广滞后阶数的选取规则及其理论依据；检验统计量的渐近分布推导所依赖的假设（如误差项鞅差、矩条件、初始条件）；该方法对协整秩未知时的适用边界；与预先检验单位根的两步法相比，在有限样本下的表现；以及Wald检验在存在单位根时可能出现的非标准分布问题如何被规避。
阅读边界: 仅基于书目与选编说明，尚未获得原文摘要，未阅读全文。以上对研究问题、方法与贡献的概括属于基于题名和一般计量背景的解读，不声称反映原文的具体定理、证明、模拟或实证结果；具体贡献与适用条件需以原文为准。

DeepSeek Flash · 2026-09-30 · 仅书目阅读导航

原文摘要

暂未获取可核实摘要，可通过原文链接查看。

正在读取解读与摘要…

笔记与分组

查找这个方法的新论文 →