Coarsened Bayesian VARs -- Correcting BVARs for Incorrect Specification
粗化贝叶斯 VAR：修正 BVAR 的模型误设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：摘要明确研究贝叶斯 VAR 的误设修正，讨论结构冲击响应，并报告点预测与密度预测比较，对应这三个方向。
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…
粗化贝叶斯 VAR：修正 BVAR 的模型误设
- 研究问题
- 多元模型误设会影响结构参数、预测分布与冲击响应，贝叶斯 VAR 如何处理未知维度且因变量而异的误设程度？
- 方法与思路
- 作者以粗化似然替代精确似然，构建允许各内生变量具有不同误设程度的贝叶斯 VAR，并进行模拟和美国数据应用。
- 材料陈述的贡献
- 摘要称，模型可自动识别误设程度，在多种误设模拟中表现良好，并在美国数据上改善相对标准 BVAR 的点和密度预测。
- 阅读关注点
- 应核对粗化似然的构造和调节机制、误设程度如何识别，以及预测比较的样本划分、期限和评价指标。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实；摘要未说明具体误设类别或改进幅度，也未报告冲击响应的实证表现。
原文摘要
Model misspecification in multivariate econometric models can strongly influence estimates of quantities of interest such as structural parameters, forecast distributions or responses to structural shocks, even more so if higher-order forecasts or responses are considered, due to parameter Model misspecification in multivariate econometric models can strongly influence estimates of quantities of interest such as structural parameters, forecast distributions or responses to structural shocks, even more so if higher-order forecasts or responses are considered, due to parameter convolution. We propose a simple method for addressing these specification issues in the context of Bayesian VARs. Our method, called coarsened Bayesian VARs (cBVARs), replaces the exact likelihood with a coarsened likelihood that takes into account that the model might be misspecified along important but unknown dimensions. Since endogenous variables in a VAR can feature different degrees of misspecification, our model allows for this and automatically detects the degree of misspecification. The resulting cBVARs perform well in simulations for several types of misspecification. Applied to US data, cBVARs improve point and density forecasts compared to standard BVARs.