Bayesian modelling of VAR precision matrices using stochastic block networks
利用随机分块网络对 VAR 精度矩阵进行贝叶斯建模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 VAR 误差冲击的精度矩阵，并报告美国宏观数据的密度预测应用，对应 VAR 与预测方向。
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…
利用随机分块网络对 VAR 精度矩阵进行贝叶斯建模
- 研究问题
- 如何直接对 VAR 误差精度矩阵施加能够反映冲击分组的先验，并利用组内与组间关联结构改进网络恢复和密度预测？
- 方法与思路
- 作者在精度矩阵上设置类似 spike-and-slab 的先验，以随机分块模型控制关联纳入概率，使组内联系更密、组间更稀疏。
- 材料陈述的贡献
- 摘要称该先验在模拟中较好恢复真实网络，并在美国宏观数据应用中实现冲击聚类，伴随密度预测表现改善。
- 阅读关注点
- 应核对精度矩阵正定约束、分块数量与先验设定，以及网络恢复指标、预测评估方式和所比较基准的具体内容。
- 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；摘要未给出预测收益数值，冲击条件关联也不直接等于因果网络。
原文摘要
Commonly used priors for Vector Autoregressions (VARs) induce shrinkage on the autoregressive coefficients. Introducing shrinkage on the error covariance matrix is sometimes done but, in the vast majority of cases, without considering the network structure of the shocks and by placing the prior on the lower Cholesky factor of the precision matrix. In this paper, we propose a prior on the VAR error precision matrix directly. Our prior, which resembles a standard spike and slab prior, models variable inclusion probabilities through a stochastic block model that clusters shocks into groups. Within groups, the probability of having relations across group members is higher (inducing less sparsity) whereas relations across groups imply a lower probability that members of each group are conditionally related. We show in simulations that our approach recovers the true network structure well. Using a US macroeconomic data set, we illustrate how our approach can be used to cluster shocks together and that this feature leads to improved density forecasts.