A Flexible Approach to Augmenting a Bayesian VAR with Nonlinear Factors
以非线性因子扩展贝叶斯 VAR 的灵活方法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。
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：摘要明确结合非线性因子、VAR 结构冲击识别和宏观预测。
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…
关注这篇论文的作者
以非线性因子扩展贝叶斯 VAR 的灵活方法
- 研究问题
- 论文研究如何在高维贝叶斯 VAR 中简约地容纳多个变量共享的非线性，同时保持计算可行，并支持预测和结构冲击分析。
- 方法与思路
- 作者以回归树非参数建模少量非线性因子，通过因子共享刻画共同非线性，使用逐方程 MCMC，并调整线性因子的冲击识别方法。
- 材料陈述的贡献
- 摘要称模型兼顾非线性表达、函数共享和高维计算便利，并可适配结构冲击识别；人工与宏观数据练习展示预测及结构分析用途。
- 阅读关注点
- 应核对非线性因子与载荷的定义、先验和识别限制，逐方程抽样的条件，以及冲击识别如何映射到非线性响应与预测比较。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未给出具体冲击识别假设、预测增益或不同模型的计算比较。
原文摘要
This paper proposes a vector autoregression augmented with nonlinear factors that are modeled nonparametrically using regression trees. There are four main advantages of our model. First, the use of factor methods ensures that departures from linearity are modeled parsimoniously. In particular, they exhibit functional pooling where a small number of nonlinear factors are used to model common nonlinearities across variables. Second, modeling potential nonlinearities nonparametrically lessens the risk of misspecification. Third, Bayesian computation using MCMC is straightforward even in very high-dimensional models, allowing for efficient, equation-by-equation estimation, thus avoiding computational bottlenecks that arise in popular alternatives such as the time-varying parameter VAR. Fourth, existing methods for identifying structural economic shocks in linear factor models can be adapted for the nonlinear case in a straightforward fashion using our model. Exercises involving artificial and macroeconomic data illustrate the properties of our model and its usefulness for forecasting and structural economic analysis.