Interpreting and predicting the economy flows: A time-varying parameter global vector autoregressive integrated the machine learning model
融合机器学习的时变参数全球向量自回归：经济动态解释与预测AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确使用时变全球 VAR、正交脉冲响应和样本外预测，分别支持冲击分析、预测与时间序列分类。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
融合机器学习的时变参数全球向量自回归：经济动态解释与预测
- 研究问题
- 如何用时变参数全球向量自回归分析发达地区经济变量的跨地区关联，并结合机器学习和不同频率输入开展样本外预测？
- 方法与思路
- 作者提出 TVP-GVAR 框架，采用 LASSO 类技术进行模型选择，并分析时变正交脉冲响应及其渐近置信区间。
- 材料陈述的贡献
- 摘要称模型具有较好的样本内表现与样本外预测精度，时变脉冲响应揭示关键时点的跨地区联系，并给出渐近区间。
- 阅读关注点
- 应核对全球模型的地区连接方式、参数动态、混频输入处理、样本外评价，以及正交化和置信区间所需假设。
- 阅读边界
- 这是预印本，不能据此确认同行评审或期刊接收；摘要未列明所谓标准假设、预测基准或精度数值，不能验证改善幅度。
原文摘要
The paper proposes a time-varying parameter global vector autoregressive (TVP-GVAR) framework for predicting and analysing developed region economic variables. We want to provide an easily accessible approach for the economy application settings, where a variety of machine learning models can be incorporated for out-of-sample prediction. The LASSO-type technique for numerically efficient model selection of mean squared errors (MSEs) is selected. We show the convincing in-sample performance of our proposed model in all economic variables and relatively high precision out-of-sample predictions with different-frequency economic inputs. Furthermore, the time-varying orthogonal impulse responses provide novel insights into the connectedness of economic variables at critical time points across developed regions. We also derive the corresponding asymptotic bands (the confidence intervals) for orthogonal impulse responses function under standard assumptions.