Vine Copula VAR:From Recursive Margins to Joint Forecast Inference
藤Copula VAR：从递归边际估计到联合预测推断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。
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：摘要明确研究VAR中的联合事件预测区间，并应用于美国宏观数据实时发布与联合收缩概率。
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…
藤Copula VAR：从递归边际估计到联合预测推断
- 研究问题
- 历史预测误差保留发布时边际拟合时，如何把重叠估计误差与最终预测参数的不确定性共同纳入联合事件概率推断？
- 方法与思路
- 作者在稳定VAR、正态创新边际及固定且正确设定的高斯或正Clayton藤结构下，推导联合影响并构造协方差估计。
- 材料陈述的贡献
- 摘要称所得区间在实现的预测状态下具有渐近重复抽样有效性；模拟指出最终边际不确定性更重要，并展示宏观发布应用。
- 阅读关注点
- 应核对历史变换保留与重新拟合的差别、协方差分解条件、固定单侧事件的推断对象，以及平稳边际模型的局限。
- 阅读边界
- 这是arXiv预印本，不能据此声称已同行评审或期刊接收。结论限于摘要列出的模型条件，尾部覆盖改善仅针对所研究设计。
原文摘要
Joint-event forecasts often combine a dependence estimate based on past forecast errors with newly estimated marginal distributions. When each historical error retains the marginal fit available at its issue date, inference must account for an overlapping sequence of estimation errors. We derive their joint influence with the terminal forecast estimates in a stable Vine Copula VAR with normal innovation margins and a fixed, correctly specified Gaussian or positive Clayton vine. An intercept identity and the stable VAR filter reduce the historical correction to harmonically weighted innovation moments, while terminal slope uncertainty remains. The resulting covariance estimator gives asymptotically valid repeated-sample intervals for fixed one-sided event probabilities at the realized forecast state. In the Gaussian submodel, retaining issued transforms adds a positive semidefinite covariance term relative to refitting margins on the same observations. Monte Carlo simulations show that terminal-margin uncertainty is quantitatively more important than this additional term and that logit intervals improve lower-tail coverage in the designs studied. A real-time forecasting application to U.S. macroeconomic releases shows how marginal estimation contributes to uncertainty in predicted probabilities of joint contractions and identifies limitations of the stationary marginal model.