Large Bayesian matrix autoregressions
大型贝叶斯矩阵自回归模型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：摘要研究矩阵值自回归，并应用于美国州级多变量宏观序列，直接对应时间序列和宏观面板数据。
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
大型贝叶斯矩阵自回归模型
- 研究问题
- 面对高维矩阵值经济时间序列，如何控制向量化自回归带来的参数膨胀，同时容纳时变波动、非高斯误差及疫情异常值？
- 方法与思路
- 作者提出大型贝叶斯矩阵自回归模型，对系数施加 Minnesota 型收缩先验，并开发适合高维模型的统一估计方法。
- 材料陈述的贡献
- 摘要称该模型类兼容多种误差与波动设定，估计方法具有高维扩展性，并用美国五十州的六项宏观序列展示实证用途。
- 阅读关注点
- 应核对矩阵自回归施加的参数结构、先验与超参数选择，以及不同误差设定下计算规模和模型适配性的比较。
- 阅读边界
- 仅据所给出版社摘要，无法量化计算节省或判断预测改善；摘要未说明模型维度限制、先验敏感性和具体应用结果。
原文摘要
High-dimensional matrix-valued time-series are increasingly common in economics and finance. Prominent examples include large cross-region panels and dynamic economic networks. As the dimensions of the matrix grow, conventional approaches based on vector autoregressions—implemented by vectoring the matrix-valued data—become computationally infeasible. We introduce a class of large Bayesian matrix autoregressions (BMARs) that can accommodate time-varying volatility, non-Gaussian errors and COVID-19 outliers. To tackle parameter proliferation, we propose Minnesota-type shrinkage priors on the MAR coefficients. We develop a unified approach for estimating this class of models, which scales well to high dimensions. The empirical relevance of these new BMARs is illustrated using a US state-level dataset that contains 6 macroeconomic times-series for each of the 50 states, with a total of 300 times-series.