Forecasting macroeconomic data with Bayesian VARs: Sparse or dense? It depends!
用贝叶斯 VAR 预测宏观数据：稀疏还是稠密？取决于情境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：摘要直接研究宏观 VAR 的收缩先验及美国经济变量预测，对应预测与时间序列。
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
用贝叶斯 VAR 预测宏观数据：稀疏还是稠密？取决于情境
- 研究问题
- 高维宏观 VAR 容易过拟合，稀疏与稠密收缩先验的预测表现是否随变量和时期变化，分组收缩能否改善预测？
- 方法与思路
- 作者提出半全局收缩框架，以分组收缩参数替代单一全局参数，并用于全局—局部及随机搜索变量选择先验。
- 材料陈述的贡献
- 摘要称模拟与美国经济预测应用支持该框架；稀疏和稠密先验的表现随变量、时期变化，动态模型平均可结合二者优势。
- 阅读关注点
- 应核对参数分组规则、先验设定、预测窗口与评价指标，以及动态模型平均如何构造、比较是否采用一致的信息集。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明具体预测改进幅度，也不能据此认定某类先验普遍占优。
原文摘要
Vector autogressions (VARs) are widely applied when it comes to modeling and forecasting macroeconomic variables. In high dimensions, however, they are prone to overfitting. Bayesian methods, more concretely shrinkage priors, have shown to be successful in improving prediction performance. In the present paper, we introduce the semi-global framework, in which we replace the traditional global shrinkage parameter with group-specific shrinkage parameters. We show how this framework can be applied to various shrinkage priors, such as global-local priors and stochastic search variable selection priors. We demonstrate the virtues of the proposed framework in an extensive simulation study and in an empirical application forecasting data of the US economy. Further, we shed more light on the ongoing ``Illusion of Sparsity'' debate, finding that forecasting performances under sparse/dense priors vary across evaluated economic variables and across time frames. Dynamic model averaging, however, can combine the merits of both worlds.