Granger Causality and Regime Inference in Markov Switching VAR Models with Bayesian Methods
马尔可夫转换 VAR 模型的格兰杰因果与状态推断：贝叶斯方法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。
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：摘要明确研究马尔可夫转换 VAR、货币与工业生产的预测关系及隐含状态推断，对应 VAR 与状态变化方向。
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…
马尔可夫转换 VAR 模型的格兰杰因果与状态推断：贝叶斯方法
- 研究问题
- 在马尔可夫转换 VAR 中，如何界定并检验格兰杰非因果性，以及某变量是否有助于预测下一期隐含状态？
- 方法与思路
- 作者推导非因果性约束及变量不影响隐含状态预测的条件，以贝叶斯推断评估假设，并提出分块 Metropolis–Hastings 采样算法。
- 材料陈述的贡献
- 摘要称该方法提供非因果性检验约束与计算工具；美国月度数据中，M1 有助于预测工业生产及下一期状态，与线性 VAR 结果不同。
- 阅读关注点
- 核对非因果性约束如何涉及 VAR 动态与状态预测，以及分块采样算法、先验选择和线性 VAR 对照的具体设定。
- 阅读边界
- 摘要未说明先验设定、状态数及结果稳健性；格兰杰因果指预测增量信息，不能直接解释为货币的结构性因果效应。
原文摘要
In this paper, we derive restrictions for Granger noncausality in MS-VAR models and show under what conditions a variable does not affect the forecast of the hidden Markov process. To assess the noncausality hypotheses, we apply Bayesian inference. The computational tools include a novel block Metropolis–Hastings sampling algorithm for the estimation of the underlying models. We analyze a system of monthly US data on money and income. The results of testing in MS-VARs contradict those obtained with linear VARs: the money aggregate M1 helps in forecasting industrial production and in predicting the next period's state. Copyright © 2016 John Wiley & Sons, Ltd.