Density forecasting with Bayesian Vector Autoregressive models under macroeconomic data uncertainty
宏观数据不确定性下的贝叶斯向量自回归密度预测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：摘要研究含随机波动的BVAR实时密度预测，并将宏观数据修订纳入时间序列模型。
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…
宏观数据不确定性下的贝叶斯向量自回归密度预测
- 研究问题
- 宏观数据后续修订带来的不确定性如何进入实时密度预测，忽略这种不确定性会怎样影响随机波动BVAR的预测表现？
- 方法与思路
- 作者比较基于实时数据版本估计BVAR，以及联合估计BVAR与数据修订模型两条路径，后者以估计的真实值为预测条件。
- 材料陈述的贡献
- 摘要称，联合建模数据修订的方法通常改善传统密度预测，尤其在美国数据中表现明显；具体改善幅度未说明。
- 阅读关注点
- 应核对真实值的定义、数据版本的信息时点、修订过程与宏观模型的连接方式，以及密度预测评价标准和比较基准。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断修订模型的识别与设定稳健性；摘要未提供数值结果，也未说明后续刊本变化。
原文摘要
Summary Macroeconomic data are subject to data revisions. Yet, the usual way of generating real‐time density forecasts from Bayesian Vector Autoregressive (BVAR) models makes no allowance for data uncertainty from future data revisions. We develop methods of allowing for data uncertainty when forecasting with BVAR models with stochastic volatility. First, the BVAR forecasting model is estimated on real‐time vintages. Second, the BVAR model is jointly estimated with a model of data revisions such that forecasts are conditioned on estimates of the ‘true’ values. We find that this second method generally improves upon conventional practice for density forecasting, especially for the United States.