Priors about observables in vector autoregressions
向量自回归中关于可观测变量的先验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。
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：摘要明确研究贝叶斯向量自回归的先验构造，直接对应 VAR 方法及多变量时间序列分析。
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
向量自回归中关于可观测变量的先验
- 研究问题
- 如何把经济学家和政策制定者对可观测变量行为的先验，转化为贝叶斯 VAR 的参数先验，并通过标准程序形成后验？
- 方法与思路
- 作者将先验转换表述为逆问题，按概率论原则建立映射并提出数值算法，同时给出固定点等价表述和算法收敛定理。
- 材料陈述的贡献
- 摘要称提供了可观测量先验到参数先验的理论与算法框架，两个 VAR 应用展示其可作为标准先验的交叉核对和替代表述。
- 阅读关注点
- 应核对可观测量及其先验的定义、逆问题的可解性、参数先验是否唯一，以及固定点算法的收敛条件和应用中的敏感性。
- 阅读边界
- 仅依据所给出版社摘要，无法确认任意可观测量先验都能转换或算法总能收敛；两个应用的具体设定与改善幅度未说明。
原文摘要
Standard practice in Bayesian VARs is to formulate priors on the autoregressive parameters, but economists and policy makers actually have priors about the behavior of observable variables. We show how to translate the prior on observables into a prior on parameters using strict probability theory principles, a posterior can then be formed with standard procedures. We state the inverse problem to be solved and we propose a numerical algorithm that works well in practical situations. We prove equivalence to a fixed point formulation and a convergence theorem for the algorithm. We use this framework in two well known applications in the VAR literature, we show how priors on observables can address some weaknesses of standard priors, serving as a cross check and an alternative formulation.