VAR FORECASTING USING BAYESIAN VARIABLE SELECTION
利用贝叶斯变量选择进行VAR预测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：摘要明确通过贝叶斯VAR变量选择预测英国宏观时间序列，直接对应宏观预测和时间序列建模两个方向。
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…
关注这篇论文的作者
利用贝叶斯变量选择进行VAR预测
- 研究问题
- 如何在贝叶斯VAR中自动选择变量或系数限制，并考察这种选择对宏观预测相对于无约束和收缩模型的影响？
- 方法与思路
- 作者利用Gibbs抽样开发随机变量选择算法，涵盖线性、非线性及高维模型，并预测英国三项主要宏观时间序列。
- 材料陈述的贡献
- 摘要称，数据驱动的VAR系数限制有助于改善相对无约束模型的预测，并在许多情形下与收缩估计量相比表现较好。
- 阅读关注点
- 应核对变量选择先验、抽样算法和计算效率的依据，以及预测样本划分、指标与收缩模型比较的具体设定。
- 阅读边界
- 仅依据所给Crossref摘要；三项变量名称、算法细节和预测改善幅度未说明，不能将部分情形的结果概括为普遍优势。
原文摘要
SUMMARY This paper develops methods for automatic selection of variables in Bayesian vector autoregressions (VARs) using the Gibbs sampler. In particular, I provide computationally efficient algorithms for stochastic variable selection in generic linear and nonlinear models, as well as models of large dimensions. The performance of the proposed variable selection method is assessed in forecasting three major macroeconomic time series of the UK economy. Data‐based restrictions of VAR coefficients can help improve upon their unrestricted counterparts in forecasting, and in many cases they compare favorably to shrinkage estimators. Copyright © 2011 John Wiley & Sons, Ltd.