Finite-Sample Simulation-Based Inference in VAR Models with Applications to Order Selection and Causality Testing
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.010 | 0.071 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".