Composite likelihood methods for large Bayesian VARs with stochastic volatility
含随机波动率的大型贝叶斯 VAR 的复合似然方法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：摘要明确围绕大型贝叶斯 VAR 的复合似然建模、权重选择和预测比较展开，直接对应 VAR 方法与宏观预测方向。
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…
含随机波动率的大型贝叶斯 VAR 的复合似然方法
- 研究问题
- 面对超过百个变量的 VAR，如何纳入灵活的多变量随机波动率，同时缓解计算负担与参数过多问题，并改善预测表现？
- 方法与思路
- 作者估计大量简约模型，再按不同权重方案加权组合，形成大型 VAR 的复合似然方法，并与若干同方差及随机波动率模型比较。
- 材料陈述的贡献
- 摘要称，在最多含 196 个变量的应用中，该方法预测优于同方差 Minnesota 先验 VAR，也优于所比较的中小规模随机波动率 VAR。
- 阅读关注点
- 核对简约模型的构造、复合似然与模型加权的关系、权重选择方式，并检查预测评估的信息集、期限及比较基准是否一致。
- 阅读边界
- 摘要未说明数据内容、预测指标、差异的不确定性和计算成本；所述预测优势限于文中比较，无法据此推断所有高维场景下的表现。
原文摘要
Summary Adding multivariate stochastic volatility of a flexible form to large vector autoregressions (VARs) involving over 100 variables has proved challenging owing to computational considerations and overparametrization concerns. The existing literature works with either homoskedastic models or smaller models with restrictive forms for the stochastic volatility. In this paper, we develop composite likelihood methods for large VARs with multivariate stochastic volatility. These involve estimating large numbers of parsimonious models and then taking a weighted average across these models. We discuss various schemes for choosing the weights. In our empirical work involving VARs of up to 196 variables, we show that composite likelihood methods forecast much better than the most popular large VAR approach, which is computationally practical in very high dimensions: the homoskedastic VAR with Minnesota prior. We also compare our methods to various popular approaches that allow for stochastic volatility using medium and small VARs involving up to 20 variables. We find our methods to forecast appreciably better than these as well.