Finite-Sample Simulation-Based Inference in VAR Models with Applications to Order Selection and Causality Testing
Notice bibliographique
Résumé
Les tests statistiques sur des modèles autorégressifs multivariés (VAR) sont habituellement basés sur des approximations de grands échantillons, qui utilisent une loi asymptotique ou une technique de bootstrap. Après avoir montré que ces méthodes peuvent être très peu fiables, même avec des échantillons de taille assez grande, particulièrement lorsque le nombre des retards ou le nombre d'équations augmentent, nous proposons une technique générale basée sur la simulation qui permet de contrôler parfaitement le niveau des tests dans les modèles VAR paramétriques. En particulier, nous montrons que la technique des tests de Monte Carlo maximisés [Dufour (2005, Journal of Econometrics)] fournit des tests exacts pour de tels modèles, que ceux-ci soient stationnaires ou intégrés. Sélectionner l'ordre du modèle ainsi que tester la causalité au sens de Granger sont étudiés comme problèmes particuliers dans ce cadre. La technique proposée est appliquée à des modèles VAR, trimestriels et mensuels, de l'économie américaine, comprenant le revenu, la monnaie, un taux d'intérêt et le niveau des prix, sur la période 1965-1996.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».