Forecasting large datasets with Bayesian reduced rank multivariate models
利用贝叶斯降秩多元模型预测大型数据集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：摘要直接研究美国宏观时间序列的大规模联合预测，并采用降秩回归与 VAR。
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…
利用贝叶斯降秩多元模型预测大型数据集
- 研究问题
- 在大量美国时间序列的联合预测中，降秩与收缩如何搭配，能否改善整体变量及工业生产、通胀和利率等关键变量的预测？
- 方法与思路
- 作者比较经典降秩回归、先收缩后降秩的两步程序和贝叶斯降秩 VAR，并与因子模型、大型贝叶斯 VAR 及多元提升法比较。
- 材料陈述的贡献
- 摘要称联合使用收缩与降秩改善预测，重抽样模拟支持该发现，并给出系统维度趋于无穷时降秩回归的一致性结果。
- 阅读关注点
- 应核对秩和收缩强度的选择、预测期与评价标准、重抽样实验设计，以及维度增长条件下的一致性定理假设。
- 阅读边界
- 仅依据所给 OpenAlex 版本摘要；改进幅度、预测比较细节与一致性条件未说明，不能推广为普遍优势或推断版本变化。
原文摘要
The paper addresses the issue of forecasting a large set of variables using multivariate models. In particular, we propose three alternative reduced rank forecasting models and compare their predictive performance for US time series with the most promising existing alternatives, namely, factor models, large-scale Bayesian VARs, and multivariate boosting. Specifically, we focus on classical reduced rank regression, a two-step procedure that applies, in turn, shrinkage and reduced rank restrictions, and the reduced rank Bayesian VAR of Geweke (1996). We find that using shrinkage and rank reduction in combination rather than separately improves substantially the accuracy of forecasts, both when the whole set of variables is to be forecast and for key variables such as industrial production growth, inflation, and the federal funds rate. The robustness of this finding is confirmed by a Monte Carlo experiment based on bootstrapped data. We also provide a consistency result for the reduced rank regression valid when the dimension of the system tends to infinity, which opens the way to using large-scale reduced rank models for empirical analysis. Copyright © 2010 John Wiley & Sons, Ltd.