Gaussian Process Vector Autoregressions and Macroeconomic Uncertainty
高斯过程向量自回归与宏观经济不确定性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：摘要明确涉及宏观 VAR、动态传导分析及美国数据预测练习。
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…
高斯过程向量自回归与宏观经济不确定性
- 研究问题
- 如何在不预先固定宏观变量与滞后值关系形式的情况下，建立多变量动态模型，并研究宏观不确定性传导的时变性和非对称性？
- 方法与思路
- 作者以高斯过程先验刻画条件均值，加入灵活的随机波动率设定，使用可扩展的 MCMC 算法估计，并开展模拟及美国数据预测。
- 材料陈述的贡献
- 摘要提出 GP-VAR 及其估计算法，并展示预测和不确定性传导应用；摘要未报告具体预测提升或传导效应的方向与大小。
- 阅读关注点
- 应核对高斯过程及波动率先验、计算扩展能力和预测评估设计，尤其检查不确定性的定义及传导分析所需的识别条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获核验；摘要未说明冲击识别及数值结果，不能据此确认因果解释或预测优势。
原文摘要
We develop a non-parametric multivariate time series model that remains agnostic on the precise relationship between a (possibly) large set of macroeconomic time series and their lagged values. The main building block of our model is a Gaussian process prior on the functional relationship that determines the conditional mean of the model, hence the name of Gaussian process vector autoregression (GP-VAR). A flexible stochastic volatility specification is used to provide additional flexibility and control for heteroskedasticity. Markov chain Monte Carlo (MCMC) estimation is carried out through an efficient and scalable algorithm which can handle large models. The GP-VAR is illustrated by means of simulated data and in a forecasting exercise with US data. Moreover, we use the GP-VAR to analyze the effects of macroeconomic uncertainty, with a particular emphasis on time variation and asymmetries in the transmission mechanisms.