Adaptive Shrinkage in Bayesian Vector Autoregressive Models
贝叶斯向量自回归模型中的自适应收缩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：摘要以 VAR 的脉冲响应、货币政策冲击及美国数据的点预测和密度预测为应用，直接对应冲击分析与宏观预测。
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
贝叶斯向量自回归模型中的自适应收缩
- 研究问题
- 在含随机波动率的 VAR 中，如何让收缩强度适应不同参数，以改善参数估计、脉冲响应分析及点预测和密度预测？
- 方法与思路
- 作者将 Normal-Gamma 局部与全局收缩先验用于自回归系数及协方差参数，推导条件后验，再增加一层将部分参数推向零的收缩。
- 材料陈述的贡献
- 摘要称，两组模拟中参数和脉冲响应估计更精确；美国数据上的点预测与密度预测表现良好，货币政策冲击响应被作者评价为合理。
- 阅读关注点
- 应核对两层收缩先验及尺度参数的设定、后验计算方法、预测比较方案，以及货币政策冲击的结构识别条件和脉冲响应的不确定性。
- 阅读边界
- 摘要未报告预测指标、比较规格、样本外方案或货币政策冲击的识别条件；“响应合理”及相对表现尚不能独立验证。
原文摘要
Vector autoregressive (VAR) models are frequently used for forecasting and impulse response analysis. For both applications, shrinkage priors can help improving inference. In this article, we apply the Normal-Gamma shrinkage prior to the VAR with stochastic volatility case and derive its relevant conditional posterior distributions. This framework imposes a set of normally distributed priors on the autoregressive coefficients and the covariance parameters of the VAR along with Gamma priors on a set of local and global prior scaling parameters. In a second step, we modify this prior setup by introducing another layer of shrinkage with scaling parameters that push certain regions of the parameter space to zero. Two simulation exercises show that the proposed framework yields more precise estimates of model parameters and impulse response functions. In addition, a forecasting exercise applied to U.S. data shows that this prior performs well relative to other commonly used specifications in terms of point and density predictions. Finally, performing structural inference suggests that responses to monetary policy shocks appear to be reasonable.