Minnesota BART
Minnesota BART：面向宏观预测的稀疏与滞后收缩树先验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：摘要明确面向宏观 VAR 预测，并通过滞后结构先验改善时间依赖和密度预测。
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…
Minnesota BART：面向宏观预测的稀疏与滞后收缩树先验
- 研究问题
- 如何让 BART 型非参数 VAR 在高维宏观预测中同时反映变量稀疏性与时间依赖，减少缺少滞后结构约束带来的噪声？
- 方法与思路
- 作者对树的分裂概率设置诱导稀疏性的 Dirichlet 超先验，并加入随滞后阶数增加而降低分裂概率的结构收缩先验。
- 材料陈述的贡献
- 摘要称，相较基础 BART 先验和贝叶斯 VAR，所提方法改善预测准确性，尤其是时间依赖刻画与密度预测；未给出改善数值。
- 阅读关注点
- 应核对两类先验的参数化、滞后收缩和变量选择机制，以及预测样本、滚动方案、基准调参和点预测与密度预测的评价指标。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明数据、预测期数及性能差异，不能据此确认跨场景普遍优势。
原文摘要
Vector autoregression (VAR) models are widely used for forecasting and macroeconomic analysis, yet they remain limited by their reliance on a linear parameterization. Recent research has introduced nonparametric alternatives, such as Bayesian additive regression trees (BART), which provide flexibility without strong parametric assumptions. However, existing BART-based frameworks do not account for time dependency or allow for sparse estimation in the construction of regression tree priors, leading to noisy and inefficient high-dimensional representations. This paper introduces a sparsity-inducing Dirichlet hyperprior on the regression tree's splitting probabilities, allowing for automatic variable selection and high-dimensional VARs. Additionally, we propose a structured shrinkage prior that decreases the probability of splitting on higher-order lags, aligning with the Minnesota prior's principles. Empirical results demonstrate that our approach improves predictive accuracy over the baseline BART prior and Bayesian VAR (BVAR), particularly in capturing time-dependent relationships and enhancing density forecasts. These findings highlight the potential of developing domain-specific nonparametric methods in macroeconomic forecasting.