Local projections vs. VARs: Lessons from thousands of DGPs
局部投影与向量自回归：数千种数据生成过程的启示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：摘要直接比较局部投影与向量自回归对宏观结构脉冲响应的估计。
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…
局部投影与向量自回归：数千种数据生成过程的启示
- 研究问题
- 在模拟美国宏观数据特征的多种环境中，局部投影与向量自回归估计结构脉冲响应时，偏差和方差如何随期限及方法变化？
- 方法与思路
- 作者在数千种数据生成过程中比较多种识别方案及估计变体，包括偏差校正、收缩和模型平均，考察不同响应期限的误差表现。
- 材料陈述的贡献
- 摘要报告局部投影偏差较低、但中长期方差明显较高；所述方法偏好取决于研究者对偏差和精度的权衡，而非统一胜出。
- 阅读关注点
- 应核对数据生成过程的构造与覆盖范围、识别方案、各方法调参方式，以及损失函数和期限划分如何影响方法选择结论。
- 阅读边界
- 仅据所给 OpenAlex 摘要，无法判断模拟设计的代表性及具体误差幅度；方法偏好受模拟环境与评价权重限制，不推断刊本变化。
原文摘要
We conduct a simulation study of Local Projection (LP) and Vector Autoregression (VAR) estimators of structural impulse responses across thousands of data generating processes, designed to mimic the properties of the universe of U.S. macroeconomic data. Our analysis considers various identification schemes and several variants of LP and VAR estimators, employing bias correction, shrinkage, or model averaging. A clear bias–variance trade-off emerges: LP estimators have lower bias than VAR estimators, but they also have substantially higher variance at intermediate and long horizons. Bias-corrected LP is the preferred method if and only if the researcher overwhelmingly prioritizes bias. For researchers who also care about precision, VAR methods are the most attractive—Bayesian VARs at short and long horizons, and least-squares VARs at intermediate and long horizons.