Large SVARs
大型结构向量自回归模型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：摘要明确研究符号限制识别的 SVAR 后验推断及冲击模型应用。
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…
大型结构向量自回归模型
- 研究问题
- 符号限制识别的结构向量自回归在变量、冲击和限制数量增多时，如何提高后验抽样效率并保持目标分布正确？
- 方法与思路
- 作者以 Gibbs 框架内的椭圆切片抽样替代传统接受拒绝方法，并分析其平稳分布是否等于所需后验分布。
- 材料陈述的贡献
- 摘要称，算法显著提高计算速度，并证明目标后验的正确性；油市小模型与包含大量冲击和符号限制的大模型用于展示。
- 阅读关注点
- 应核对符号限制及先验的实现、抽样器收敛与混合表现，以及速度比较是否控制精度、有效样本量和计算环境。
- 阅读边界
- 所据为 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出速度数值与完整适用条件，目标分布正确不保证快速混合。
原文摘要
We develop a new algorithm for inference in structural vector autoregressions (SVARs) identified with sign restrictions that can accommodate big data and modern identification schemes. The key innovation of our approach is to move beyond the traditional accept-reject framework commonly used in sign-identified SVARs. We show that an elliptical slice within Gibbs sampler can deliver dramatic gains in computational speed and render previously infeasible applications tractable. We also prove that the algorithm is well-defined, in the sense that its stationary distribution coincides with the posterior distribution of interest. To illustrate the approach in the context of sign-identified SVARs, we use a tractable example. We further assess the performance of our algorithm through two applications: a well-known small-SVAR model of the oil market featuring a tight identified set, and a large SVAR model with more than ten shocks and 100 sign restrictions.