Forecasting with Bayesian Vector Autoregressions Estimated Using Professional Forecasts
利用专业预测估计贝叶斯向量自回归并开展预测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：摘要明确以贝叶斯 VAR 融合专业调查即时预测，并评价宏观预测的均方误差。
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
利用专业预测估计贝叶斯向量自回归并开展预测
- 研究问题
- 如何将专业调查的短期预测作为 VAR 参数的信息来源，改善宏观预测，而不只是把调查预测作为独立基准？
- 方法与思路
- 作者将各变量的调查即时预测加入因变量向量，并基于变量及其即时预测对滞后变量的相似依赖构造贝叶斯收缩。
- 材料陈述的贡献
- 摘要称提出利用调查预测的 VAR 收缩方法，在宏观数据应用中，其预测通常比一组基准方法具有更小的均方误差。
- 阅读关注点
- 应核对收缩先验的具体构造、调查与实际数据的时点匹配、预测评价窗口，以及基准方法和调参是否可比。
- 阅读边界
- 仅依据所给 Crossref 摘要；变量、样本区间、误差差异和显著性未说明，应用中的通常改善不代表普遍预测优势。
原文摘要
Summary We propose a Bayesian shrinkage approach for vector autoregressions (VARs) that uses short‐term survey forecasts as an additional source of information about model parameters. In particular, we augment the vector of dependent variables by their survey nowcasts, and claim that each variable modelled in the VAR and its nowcast are likely to depend in a similar way on the lagged dependent variables. In an application to macroeconomic data, we find that the forecasts obtained from a VAR fitted by our new shrinkage approach typically yield smaller mean squared forecast errors than the forecasts obtained from a range of benchmark methods. Copyright © 2015 John Wiley & Sons, Ltd.