Causality Between Brent and West Texas Intermediate: The Effects of COVID-19 Pandemic and Russia–Ukraine War
Notice bibliographique
Résumé
The article analyzes the Granger-based causal relationship between two major crude oil markets, namely Brent and West Texas Intermediate (WTI), by using the standard vector autoregression (VAR) framework. In this regard, the effects of the COVID-19 pandemic and the Russia–Ukraine war on causality between Brent and WTI are examined. The empirical results from Granger-causality tests show (a) strong causality from Brent to WTI during the period prior to the COVID-19 pandemic and Russia–Ukraine war, (b) no causality from WTI to Brent during the period prior to the COVID-19 pandemic and Russia–Ukraine war, (c) no causality from Brent to WTI during the COVID-19 pandemic, (d) evidence of causality from WTI to Brent during the COVID-19 pandemic, and (e) no evidence of causality from both markets during the period of Russia–Ukraine war. In addition, causality tests in quantiles support results from the linear Granger causality tests in general. However, contrary to the standard linear causality test, the quantile-in-regression causality test shows that Brent returns cause WTI returns during the pandemic period and WTI returns cause Brent returns before the pandemic. Furthermore, the results from the time-varying Granger causality tests support all conclusions from the standard linear (and static) Granger causality test, except the hypothesis that Brent causes WTI during the pandemic. Moreover, the time-varying Granger tests show evidence that causality between Brent and WTI clearly varies across the pandemic and war periods. Revealing the causalities between Brent and WTI across periods of economic and political stability, pandemic, and war would help policymakers develop appropriate energy policy and help investors determine appropriate risk management actions.
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 | 0,001 | 0,001 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| 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 ».