ScholarGate
Assistent
Regression modelEconometrics / time series

Bayesiansk Toda-Yamamoto-kausalitetstest

Den bayesianske Toda-Yamamoto-kausalitetsprosedyren kombinerer Toda-Yamamoto VAR-augmenteringsstrategien — som unngår behovet for forhåndstesting av integrasjon og kointegrasjon — med bayesiansk prior-posterior-oppdatering. Den tester Granger-ikke-kausalitet mellom tidsserier som kan være integrerte eller kointegrerte uten å kreve differensiering eller feilkorreksjonsmodellering, samtidig som den inkorporerer forhåndskunnskap og produserer fulle posterior-fordelinger over de kausale parameterne.

Anvend med EconMindSnartVideoSnartDownload slides

Les hele metoden

Kun for medlemmer

Logg inn med en gratis konto for å lese denne delen.

Logg inn

Method map

The neighbourhood of related methods — select a node to explore.

Kilder

  1. 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
  2. Zellner, A. (1971). An Introduction to Bayesian Inference in Econometrics. Wiley. ISBN: 978-0471982326

Slik siterer du denne siden

ScholarGate. (2026, June 3). Bayesian Toda-Yamamoto Granger Causality Test. ScholarGate. https://scholargate.app/no/econometrics/bayesian-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.

Compare side by side
ScholarGateBayesian Toda-Yamamoto Causality (Bayesian Toda-Yamamoto Granger Causality Test). Hentet 2026-06-15 fra https://scholargate.app/no/econometrics/bayesian-toda-yamamoto-causality · Datasett: https://doi.org/10.5281/zenodo.20539026