Ikke-lineær Toda-Yamamoto kausalitetstest
Den ikke-lineære Toda-Yamamoto kausalitetstest udvider den klassiske modificerede Wald-procedure fra Toda-Yamamoto (1995) til at detektere kausale sammenhænge, der er skjult i seriernes middelværdier, men som manifesterer sig gennem ikke-lineære dynamikker såsom asymmetrier, tærskel-effekter eller volatilitetsoverførsel. Den estimerer en udvidet VAR på rang-transformerede eller på anden vis ikke-lineært transformerede serier og anvender en chi-i-anden Wald-test på de ekstra lag-koefficienter.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Toda, H. Y., & Yamamoto, T. (1995). Statistical inference in vector autoregressions with possibly integrated processes. Journal of Econometrics, 66(1-2), 225-250. DOI: 10.1016/0304-4076(94)01616-8 ↗
- Sims, C. A., Stock, J. H., & Watson, M. W. (1990). Inference in linear time series models with some unit roots. Econometrica, 58(1), 113-144. DOI: 10.2307/2938337 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Nonlinear Toda-Yamamoto Granger Causality Test. ScholarGate. https://scholargate.app/da/econometrics/nonlinear-toda-yamamoto-causality
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Kointegrationstest (Johansen / Engle-Granger)Økonometri↔ compare
- Granger-kausalitetstestØkonometri↔ compare
- Ikke-lineær Granger-kausalitetstestØkonometri↔ compare
- Toda-Yamamoto Granger-kausalitetstestØkonometri↔ compare
- Vektor Autoregression (VAR) ModelØkonometri↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →