Nonlinear Granger Causality
Nonlinear Granger causality extends the classic linear Granger causality framework to detect predictive relationships that operate through nonlinear dynamics. Using nonparametric or semi-parametric statistics based on correlation integrals or kernel density estimation, it identifies whether past values of one variable improve forecasts of another beyond what any linear model can capture.
Rekod sumber
Petikan disalin secara verbatim daripada rekod sumber kaedah. Tiada pengesahan peringkat tuntutan disimpulkan daripadanya.
- Diks, C., & Panchenko, V. (2006). A new statistic and practical guidelines for nonparametric Granger causality testing. Journal of Economic Dynamics and Control, 30(9-10), 1647-1669. · DOI 10.1016/j.jedc.2005.08.008
- Hiemstra, C., & Jones, J. D. (1994). Testing for linear and nonlinear Granger causality in the stock price-volume relation. Journal of Finance, 49(5), 1639-1664. · DOI 10.1111/j.1540-6261.1994.tb04776.x
Tuntutan yang dikurasi
Tuntutan disimpan dalam lejar bukti, setiap satu dengan penilaiannya sendiri.
Pandangan ini tidak mencipta penilaian tuntutan apabila lejar tiada.
Kaedah berkaitan
Dijana daripada graf kaedah dan ditunjukkan sebagai perhubungan yang dicadangkan mesin — tiada tuntutan bukti disimpulkan.