Large Bayesian vector autoregressions with stochastic volatility and non-conjugate priors
含随机波动率与非共轭先验的大型贝叶斯向量自回归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：摘要明确研究宏观 VAR 的结构分析与样本外预测。
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…
含随机波动率与非共轭先验的大型贝叶斯向量自回归
- 研究问题
- 如何在大型宏观 VAR 中同时容纳时变波动率与一般先验，克服计算复杂性，并用于结构分析和样本外预测？
- 方法与思路
- 作者提出新的贝叶斯估计程序，使可能很大的 VAR 同时包含时变波动率和一般先验，并在结构分析与预测应用中评估。
- 材料陈述的贡献
- 摘要称该程序缓解大型 VAR 对波动率建模及先验选择的限制，实证应用显示其在结构分析和样本外预测中表现良好。
- 阅读关注点
- 应核对随机波动率设定、一般先验的实际允许范围、计算程序与扩展性，以及结构识别和样本外预测比较的具体设计。
- 阅读边界
- 仅据所给出版社摘要，无法判断算法复杂度、后验计算精度或表现良好的量化标准；结构分析所需识别限制未说明。
原文摘要
Recent research has shown that a reliable vector autoregression (VAR) for forecasting and structural analysis of macroeconomic data requires a large set of variables and modeling time variation in their volatilities. Yet, there are no papers that provide a general solution for combining these features, due to computational complexity. Moreover, homoskedastic Bayesian VARs for large data sets so far restrict substantially the allowed prior distributions on the parameters. In this paper we propose a new Bayesian estimation procedure for (possibly very large) VARs featuring time-varying volatilities and general priors. We show that indeed empirically the new estimation procedure performs well in applications to both structural analysis and out-of-sample forecasting.