Marginalized Predictive Likelihood Comparisons of Linear Gaussian State‐Space Models with Applications to DSGE, DSGE‐VAR, and VAR Models
线性高斯状态空间模型的边缘化预测似然比较：DSGE、DSGE-VAR与VAR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：摘要明确比较欧元区宏观密度预测，并讨论线性高斯状态空间模型及VAR类模型，对应宏观预测与时间序列方法。
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…
线性高斯状态空间模型的边缘化预测似然比较：DSGE、DSGE-VAR与VAR应用
- 研究问题
- 在线性高斯状态空间模型中，如何对任意观测变量子集估计预测似然，并据此比较不同模型的宏观经济密度预测？
- 方法与思路
- 作者讨论通过边缘化估计预测似然，并在1999—2011年欧元区样本中比较DSGE、DSGE-VAR、BVAR和多元随机游走。
- 材料陈述的贡献
- 摘要称方法适用于任意观测变量子集；BVAR通常较好，但大衰退开始后表现恶化，较长期限GDP预测中DSGE类模型更好。
- 阅读关注点
- 阅读时应核对边缘化涉及哪些变量、参数不确定性如何纳入，以及先验、预测窗口和各模型使用相同变量子集时的可比性。
- 阅读边界
- 摘要未说明预测似然估计的具体算法、计算误差、先验设定及优势的统计证据；模型表现仅是给定欧元区样本中的比较结果。
原文摘要
Summary The predictive likelihood is useful for ranking models in forecast comparison exercises using Bayesian inference. We discuss how it can be estimated, by means of marzginalization, for any subset of the observables in linear Gaussian state‐space models. We compare macroeconomic density forecasts for the euro area of a DSGE model to those of a DSGE‐VAR, a BVAR and a multivariate random walk over 1999:Q1–2011:Q4. While the BVAR generally provides superior forecasts, its performance deteriorates substantially with the onset of the Great Recession. This is particularly notable for longer‐horizon real GDP forecasts, where the DSGE and DSGE‐VAR models perform better. Copyright © 2016 John Wiley & Sons, Ltd.