Locally robust inference for non‐Gaussian SVAR models
非高斯结构向量自回归模型的局部稳健推断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：摘要明确围绕 SVAR 的结构冲击识别及结构函数推断，并讨论石油与劳动供需模型，直接对应 VAR 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
非高斯结构向量自回归模型的局部稳健推断
- 研究问题
- 当结构冲击独立但分布接近高斯时，依赖非高斯性识别的 SVAR 如何对结构函数构造可靠检验和置信集？
- 方法与思路
- 作者提出局部稳健的半参数推断方法，利用存在的非高斯信息，并针对局部趋近高斯的密度处理推断失效问题。
- 材料陈述的贡献
- 摘要称方法在局部趋近高斯时保持正确水平与覆盖率；两个宏观应用的结果不同，强调弱识别稳健推断的必要性。
- 阅读关注点
- 应核对局部趋近高斯的参数化方式、冲击独立性要求、结构函数的范围，以及置信集在弱识别情形下的构造。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断具体密度条件、置信集计算细节或两项应用的完整结果，也不能推断版本变化。
原文摘要
All parameters in structural vector autoregressive (SVAR) models are locally identified when the structural shocks are independent and follow non‐Gaussian distributions. Unfortunately, standard inference methods that exploit such features of the data for identification fail to yield correct coverage for structural functions of the model parameters when deviations from Gaussianity are small. To this extent, we propose a locally robust semiparametric approach to conduct hypothesis tests and construct confidence sets for structural functions in SVAR models. The methodology fully exploits non‐Gaussianity when it is present, but yields correct size/coverage for local‐to‐Gaussian densities. Empirically, we revisit two macroeconomic SVAR studies where we document mixed results. For the oil price model of Kilian and Murphy (2012), we find that non‐Gaussianity can robustly identify reasonable confidence sets, whereas for the labor supply–demand model of Baumeister and Hamilton (2015) this is not the case. Moreover, these exercises highlight the importance of using weak identification robust methods to assess estimation uncertainty when using non‐Gaussianity for identification.