Partial Identification of Structural Vector Autoregressions with Non-Centred Stochastic Volatility
非中心化随机波动率下结构向量自回归的部分识别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：摘要以随机波动率识别结构 VAR 冲击，并应用于财政和税收冲击分析。
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…
非中心化随机波动率下结构向量自回归的部分识别
- 研究问题
- 在利用随机波动率识别结构冲击的贝叶斯向量自回归中，非中心化参数化如何改变方差先验，并帮助评估冲击的部分识别？
- 方法与思路
- 作者分析非中心化随机波动率诱导的条件方差边际先验，通过小型和大型系统的蒙特卡洛实验比较估计表现，并重新研究财政结构 VAR。
- 材料陈述的贡献
- 摘要称该先验围绕同方差具有强收缩和厚尾特征，模拟显示结构参数估计更精确、方差归一化更有效，应用识别出与文献估计一致的税收冲击。
- 阅读关注点
- 应核对波动率变化如何提供识别、同方差附近如何判断部分识别，以及参数化与先验的共同作用、归一化规则和税收冲击的解释。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未给出识别条件、先验参数和精度数值，与文献一致也不构成独立验证。
原文摘要
We consider structural vector autoregressions that are identified through stochastic volatility under Bayesian estimation. Three contributions emerge from our exercise. First, we show that a non-centred parameterization of stochastic volatility yields a marginal prior for the conditional variances of structural shocks that is centred on homoskedasticity, with strong shrinkage and heavy tails -- unlike the common centred parameterization. This feature makes it well suited for assessing partial identification of any shock of interest. Second, Monte Carlo experiments on small and large systems indicate that the non-centred setup estimates structural parameters more precisely and normalizes conditional variances efficiently. Third, revisiting prominent fiscal structural vector autoregressions, we show how the non-centred approach identifies tax shocks that are consistent with estimates reported in the literature.