Investigating Growth at Risk Using a Multi-country Non-parametric Quantile Factor Model
用多国非参数分位数因子模型研究增长风险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：摘要明确使用多国增长面板、分位数潜在因子，并开发估计与预测方法，直接对应宏观面板、因子模型和预测。
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…
用多国非参数分位数因子模型研究增长风险
- 研究问题
- 如何结合跨国信息、非线性响应和分位数层面的共同因素，刻画经济增长的尾部风险，并开展估计与预测？
- 方法与思路
- 作者构建贝叶斯分位数面板模型，以线性函数和 BART 非线性函数的凸组合描述响应，并引入条件异方差潜在因子。
- 材料陈述的贡献
- 摘要称，非参数结构提高灵活性，跨国面板增加尾部观测信息；作者开发 MCMC 估计与预测方法，并应用于十一个发达经济体。
- 阅读关注点
- 应核对分位数模型与潜在因子的识别、凸组合权重和先验设定，以及跨国信息汇集方式与增长风险预测的评价设计。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收。摘要未说明样本时期、预测基准、数值表现及尾部推断条件。
原文摘要
We develop a Bayesian non-parametric quantile panel regression model. Within each quantile, the response function is a convex combination of a linear model and a non-linear function, which we approximate using Bayesian Additive Regression Trees (BART). Cross-sectional information at the pth quantile is captured through a conditionally heteroscedastic latent factor. The non-parametric feature of our model enhances flexibility, while the panel feature, by exploiting cross-country information, increases the number of observations in the tails. We develop Bayesian Markov chain Monte Carlo (MCMC) methods for estimation and forecasting with our quantile factor BART model (QF-BART), and apply them to study growth at risk dynamics in a panel of 11 advanced economies.