Stochastic search variable selection in vector error correction models with an application to a model of the UK macroeconomy
向量误差修正模型中的随机搜索变量选择及英国宏观应用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：摘要明确研究向量误差修正模型与协整空间，并应用于英国宏观经济模型，直接属于宏观时间序列。
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…
向量误差修正模型中的随机搜索变量选择及英国宏观应用
- 研究问题
- 在协整空间存在大量可能限制的向量误差修正模型中，如何从统一的非受限模型出发高效开展模型选择或平均？
- 方法与思路
- 作者将随机搜索变量选择方法扩展到向量误差修正模型，处理协整空间限制，并应用于大型英国宏观经济模型。
- 材料陈述的贡献
- 摘要称该方法允许自动、计算高效地进行模型选择或模型平均；未报告具体计算成本、预测收益或实证结论。
- 阅读关注点
- 应核对协整空间限制的参数化、搜索与模型平均步骤、协整秩的处理方式，以及计算效率的比较依据。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断先验、搜索算法和协整识别细节，也不能据此认定方法具有更好的预测表现。
原文摘要
SUMMARY This paper develops methods for stochastic search variable selection (currently popular with regression and vector autoregressive models) for vector error correction models where there are many possible restrictions on the cointegration space. We show how this allows the researcher to begin with a single unrestricted model and either do model selection or model averaging in an automatic and computationally efficient manner. We apply our methods to a large UK macroeconomic model. Copyright © 2011 John Wiley & Sons, Ltd.