A fully nonlinear structural vector autoregressive model identified via independent innovation analysis
通过独立创新分析识别的完全非线性结构向量自回归模型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。
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：摘要直接提出非线性结构 VAR、识别结构冲击并分析工业生产对油价冲击的响应，对应宏观冲击和时间序列。
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
通过独立创新分析识别的完全非线性结构向量自回归模型
- 研究问题
- 当结构 VAR 的同期映射非线性且非加性时，如何恢复独立结构冲击，并将任意可逆变换的不确定性缩小到可供结构分析的程度？
- 方法与思路
- 作者利用外生变量引起的条件冲击分布变化开展对比学习，通过结构化指数族和特定自然参数设定加强识别，再以神经网络估计模型。
- 材料陈述的贡献
- 摘要称，特定设定下冲击可识别至排列和逐分量符号变化；美国工业生产应用显示对油价冲击的温和非对称性，并提供 R 包。
- 阅读关注点
- 应核对外生变量的作用、独立性和指数族限制、充分统计量如何缩小识别歧义，以及符号与排列规范化和非线性响应的计算方法。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验。识别强化依赖摘要所述分布设定，不能视为任意非线性结构 VAR 的通用结论。
原文摘要
We develop a fully nonlinear structural vector autoregressive framework in which the contemporaneous structural mapping may be nonlinear and non-additive. Identification is achieved by exploiting variation in the conditional distributions of the mutually independent structural shocks induced by an observed exogenous variable. Specifically, a general contrastive learning framework that makes use of this variation together with the assumed exponential-family structure is employed to recover the shocks. Existing independent innovation analysis results identify such shocks only up to arbitrary componentwise invertible transformations, which is generally insufficient for structural econometric analysis. We strengthen this result by imposing a structured exponential-family specification for the conditional shock distributions. With the imposed sufficient statistics, the remaining ambiguity is reduced to a one-parameter transformed-scale map for each shock. We then show that, under a logistic specification used for the natural parameters, the identification is further strengthened up to permutation and componentwise sign changes. Once the shocks have been recovered, the fully nonlinear structural vector autoregression can be estimated using feed-forward neural networks, motivated by their universal approximation capabilities. The empirical application studies asymmetries in the responses of U.S. industrial production to the real oil price shock. We find modest asymmetries with respect to the sign of the shock and state of the economy. The accompanying R package iiasvar implements the introduced methods.