Approximate Bayesian inference and forecasting in huge-dimensional multi-country VARs
超高维多国 VAR 的近似贝叶斯推断与预测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：摘要明确研究多国面板 VAR 的贝叶斯估计，并以大型世界经济模型评价预测表现。
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…
超高维多国 VAR 的近似贝叶斯推断与预测
- 研究问题
- 多国面板 VAR 参数数量庞大时，如何降低贝叶斯估计的计算成本，并在区分国内与国际信息的同时保持预测能力？
- 方法与思路
- 作者采用集成旋转高斯近似，将国内与国际信息对应的系数分组，对前者使用 MCMC，对后者采用快速近似估计。
- 材料陈述的贡献
- 摘要称该混合估计策略可快速处理大型世界经济模型，并产生具有竞争力的预测，但未列出具体比较指标或数值。
- 阅读关注点
- 应核对系数分组依据、近似误差如何传递到后验和预测，以及预测评估的基准模型、样本划分与运行时间比较。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验；摘要未说明先验、模型规模和误差控制条件，无法判断速度与精度的具体权衡。
原文摘要
Panel Vector Autoregressions (PVARs) are a popular tool for analyzing multi-country datasets. However, the number of estimated parameters can be enormous, leading to computational and statistical issues. In this paper, we develop fast Bayesian methods for estimating PVARs using integrated rotated Gaussian approximations. We exploit the fact that domestic information is often more important than international information and group the coefficients accordingly. Fast approximations are used to estimate the latter while the former are estimated with precision using Markov chain Monte Carlo techniques. We illustrate, using a huge model of the world economy, that it produces competitive forecasts quickly.