Real-Time Forecasting With a Mixed-Frequency VAR
使用混频 VAR 进行实时预测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：摘要直接研究月度与季度混频时间序列的 VAR 建模及实时预测，最相关的方向是预测与时间序列。
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
使用混频 VAR 进行实时预测
- 研究问题
- 如何将月度与季度观测同时纳入 VAR，并利用季度内逐步发布的信息改善实时预测，同时比较不同频率建模方案的表现？
- 方法与思路
- 作者将混频 VAR 写成状态空间模型，在 Minnesota 型先验下作贝叶斯估计，并用边际数据密度进行数据驱动的超参数选择。
- 材料陈述的贡献
- 作者提出混频 VAR 的估计与超参数选择方法，并用实时数据比较季度 VAR 和 MIDAS 回归，衡量季度内新增信息对预测的改善。
- 阅读关注点
- 阅读时应核对实时数据版本、月度与季度变量的衔接、发布时点处理，以及与季度 VAR 和 MIDAS 比较时的信息集一致性。
- 阅读边界
- 摘要未说明变量清单、预测期限、误差指标或改善幅度，因此不能判断混频 VAR 在哪些目标和时期优于比较方法。
原文摘要
This article develops a vector autoregression (VAR) for time series which are observed at mixed frequencies—quarterly and monthly. The model is cast in state-space form and estimated with Bayesian methods under a Minnesota-style prior. We show how to evaluate the marginal data density to implement a data-driven hyperparameter selection. Using a real-time dataset, we evaluate forecasts from the mixed-frequency VAR and compare them to standard quarterly frequency VAR and to forecasts from MIDAS regressions. We document the extent to which information that becomes available within the quarter improves the forecasts in real time. This article has online supplementary materials.