High-Dimensional Macroeconomic Forecasting Using Message Passing Algorithms
利用消息传递算法进行高维宏观经济预测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：摘要明确以美国通胀为预测对象，使用时变参数和随机波动率回归处理结构不稳定，直接对应宏观预测、时间序列与结构变化。
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
利用消息传递算法进行高维宏观经济预测
- 研究问题
- 面对大量外生预测变量和结构不稳定，如何有效估计同时含时变系数与随机波动率的回归模型，并将其用于美国价格通胀预测？
- 方法与思路
- 作者将时变参数回归改写为高维静态回归，用贝叶斯层级先验将系数向零或时间不变收缩，再借助因子图推导广义近似消息传递算法。
- 材料陈述的贡献
- 摘要称，该算法复杂度较低且易于并行，可估计包含大量外生变量的时变参数回归；美国通胀预测练习显示表现良好，但未报告具体改进幅度。
- 阅读关注点
- 阅读全文时应核对静态改写的等价性、层级先验的收缩机制、近似消息传递的收敛与误差控制，并检查通胀预测的基准模型和样本外设计。
- 阅读边界
- 摘要未说明算法复杂度的具体阶数、收敛条件或预测评价指标；大量预测变量的可处理性及所称良好表现，仍需结合计算资源和完整实证设置判断。
原文摘要
This article proposes two distinct contributions to econometric analysis of large information sets and structural instabilities. First, it treats a regression model with time-varying coefficients, stochastic volatility, and exogenous predictors, as an equivalent high-dimensional static regression problem with thousands of covariates. Inference in this specification proceeds using Bayesian hierarchical priors that shrink the high-dimensional vector of coefficients either toward zero or time-invariance. Second, it introduces the frameworks of factor graphs and message passing as a means of designing efficient Bayesian estimation algorithms. In particular, a generalized approximate message passing algorithm is derived that has low algorithmic complexity and is trivially parallelizable. The result is a comprehensive methodology that can be used to estimate time-varying parameter regressions with arbitrarily large number of exogenous predictors. In a forecasting exercise for U.S. price inflation this methodology is shown to work very well. Supplementary materials for this article are available online.