A large non-Gaussian SVAR with application to monetary policy
大型非高斯SVAR及其货币政策应用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：摘要研究大型结构VAR的冲击识别，并以误差因子结构处理高维系统及货币政策应用。
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
大型非高斯SVAR及其货币政策应用
- 研究问题
- 如何在高维变量系统中，利用非高斯独立冲击识别结构VAR，同时容纳特异噪声并评估经济识别限制？
- 方法与思路
- 作者利用高阶矩识别非高斯独立冲击，以约化式误差的因子结构降低冲击维度，采用Gibbs采样并构造偏差信息准则估计量。
- 材料陈述的贡献
- 摘要称方法可扩展到高维并比较过度识别限制；模拟显示忽略特异噪声可产生偏差，美国货币政策应用显示信息集影响结构推断。
- 阅读关注点
- 应核对统计识别的规范化与例外、因子数和冲击数选择、特异噪声设定，以及统计冲击如何对应货币政策等经济含义。
- 阅读边界
- 依据Crossref所载在线先行版本摘要，不能推断后续刊本变化。摘要未给出完整识别条件、采样诊断及货币政策效应的具体结果。
原文摘要
Summary We develop a large structural vector autoregression (SVAR) that is statistically identified using higher-order moments under non-Gaussian, mutually independent shocks, without imposing economically motivated restrictions. Estimation is performed via an efficient Gibbs sampler that scales well with dimensionality, and we introduce an estimator of the deviance information criterion to facilitate model comparison, including the evaluation of overidentifying economic restrictions. The model handles high-dimensional systems through a factor structure in the reduced-form errors, allowing the number of structural shocks to be substantially smaller than the number of observed variables while explicitly accounting for idiosyncratic noise. Experiments with simulated data show that ignoring this noise can lead to biased estimates. An empirical application to US monetary policy demonstrates that expanding the information set can materially affect structural inference.