A wavelet-based approach for Johansen’s likelihood ratio test for cointegration in the presence of measurement errors: An application to CO<sub>2</sub> emissions and real GDP data
Notice bibliographique
Résumé
We suggest a wavelet filtering technique as a remedy to the problem of measurement errors when testing for cointegration using Johansen’s (Citation1988) likelihood ratio test. Measurement errors, which more or less are always present in empirical economic data, essentially indicates that the variable of interest (the true signal) is contaminated with noise, which may induce biased and inconsistent estimates and erroneous inference. Our Monte Carlo experiments demonstrate that measurement errors distort the statistical size of Johansen’s cointegration test in finite samples; the test is significantly oversized. A contribution and major finding of this article is that the proposed wavelet-based technique significantly improves the statistical size of the traditional Johansen test in small and medium sized samples. Since Johansen’s test is a standard cointegration test, and we demonstrate that the constantly present measurement errors in empirical data over sizes the test, this simple alteration can be used in most situations with more reliable finite sample inference. We empirically examine the long-run relation between CO2 emissions and the real GDP in the G7 countries. The traditional Johansen tests provide evidence of an equilibrium relation for Canada and weak evidence for the US. However, the suggested size-unbiased wavelet-filtering approach consistently indicates no evidence of cointegration for all six countries.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».