Forecasting with Medium and Large Bayesian VARS
中大型贝叶斯VAR的预测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。
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：摘要核心是中大型贝叶斯VAR的宏观预测及先验比较；因子方法主要作为比较基准，故选择预测与时间序列。
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
中大型贝叶斯VAR的预测
- 研究问题
- 在包含大量宏观变量的预测任务中，不同贝叶斯VAR先验如何影响表现，以及它们与因子方法有何差异？
- 方法与思路
- 作者考察小型VAR常用先验在中大型模型中的使用问题，利用包含168个变量的美国宏观数据比较预测表现。
- 材料陈述的贡献
- 摘要称，贝叶斯VAR通常优于因子方法，简单Minnesota先验表现良好，并强调基于完整预测密度评价的重要性。
- 阅读关注点
- 应核对模型规模与先验超参数设定、因子模型基准，以及点预测和密度预测指标是否给出一致的比较结论。
- 阅读边界
- 仅依据所给Crossref摘要；样本时期、预测期限与误差差异未说明，所述先验及模型优势不能外推到其他数据环境。
原文摘要
SUMMARY This paper is motivated by the recent interest in the use of Bayesian VARs for forecasting, even in cases where the number of dependent variables is large. In such cases factor methods have been traditionally used, but recent work using a particular prior suggests that Bayesian VAR methods can forecast better. In this paper, we consider a range of alternative priors which have been used with small VARs, discuss the issues which arise when they are used with medium and large VARs and examine their forecast performance using a US macroeconomic dataset containing 168 variables. We find that Bayesian VARs do tend to forecast better than factor methods and provide an extensive comparison of the strengths and weaknesses of various approaches. Typically, we find that the simple Minnesota prior forecasts well in medium and large VARs, which makes this prior attractive relative to computationally more demanding alternatives. Our empirical results show the importance of using forecast metrics based on the entire predictive density, instead of relying solely on those based on point forecasts. Copyright © 2011 John Wiley & Sons, Ltd.