Bayesian model comparison for time‐varying parameter VARs with stochastic volatility
含随机波动的时变参数VAR的贝叶斯模型比较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：摘要直接以时变参数VAR及其常系数版本为比较对象，并讨论系数和波动率随时间变化，对应VAR与时间序列方向。
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
含随机波动的时变参数VAR的贝叶斯模型比较
- 研究问题
- 如何可靠计算含随机波动的时变参数VAR的贝叶斯比较指标，并区分随机波动、系数变化及同期关系变化带来的模型表现差异？
- 方法与思路
- 作者基于积分似然构造重要性抽样方法，计算边际似然和偏差信息准则，用于比较系数与波动率均可随时间变化的VAR模型。
- 材料陈述的贡献
- 摘要称所提估计量比替代方法更可靠；美国数据比较显示收益主要来自随机波动，两项准则均更支持含随机波动的常系数VAR。
- 阅读关注点
- 核对积分似然消去了哪些未知量、重要性分布如何设计，以及比较结果对先验、抽样误差和系数与波动设定是否敏感。
- 阅读边界
- 摘要未说明美国数据的变量、时期及先验设定；模型支持度取决于所用准则与候选模型，不能据此断言时变系数普遍没有价值。
原文摘要
Summary We develop importance sampling methods for computing two popular Bayesian model comparison criteria, namely, the marginal likelihood and the deviance information criterion (DIC) for time‐varying parameter vector autoregressions (TVP‐VARs), where both the regression coefficients and volatilities are drifting over time. The proposed estimators are based on the integrated likelihood, which are substantially more reliable than alternatives. Using US data, we find overwhelming support for the TVP‐VAR with stochastic volatility compared to a conventional constant coefficients VAR with homoskedastic innovations. Most of the gains, however, appear to have come from allowing for stochastic volatility rather than time variation in the VAR coefficients or contemporaneous relationships. Indeed, according to both criteria, a constant coefficients VAR with stochastic volatility outperforms the more general model with time‐varying parameters.