Comment on “Large Bayesian vector autoregressions with stochastic volatility and non-conjugate priors”
评《具有随机波动率和非共轭先验的大型贝叶斯向量自回归》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：摘要研究随机波动率 VAR 的贝叶斯计算与后验推断，直接属于时间序列模型的方法问题。
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
评《具有随机波动率和非共轭先验的大型贝叶斯向量自回归》
- 研究问题
- 在具有随机波动率的贝叶斯 VAR 中，用更快的三角算法替换系统算法，是否仍能生成对应于目标后验分布的模拟样本？
- 方法与思路
- 作者对三角算法与系统算法所抽取的分布进行解析比较，并从 MCMC 转移核变化的角度讨论替换步骤对后验推断的影响。
- 材料陈述的贡献
- 摘要称，两种算法通常从不同分布抽样，因此反驳了被评论论文的一项核心主张，并指出替换后的模拟与模型后验之间关系事先不明。
- 阅读关注点
- 应核对两种条件抽样分布的推导、出现差异的具体参数设定，以及转移核改变如何影响目标后验分布和可能的适用例外。
- 阅读边界
- 摘要未给出分布相同的特殊情形、误差大小或修正算法；该评论针对所述算法关系，不能据此判定所有三角形式算法均无效。
原文摘要
Fully Bayesian inference in a vector autoregression with stochastic volatility (VAR-SV) typically relies on simulations from a multi-step Markov chain Monte Carlo (MCMC) algorithm. Carriero et al. (2019) propose a new, faster, “triangular” algorithm (TA) to replace the systemwide algorithm (SWA) in the most time-consuming step of the VAR-SV’s standard MCMC algorithm. This paper analytically shows that the TA and SWA generally sample from different distributions, thereby disproving a central claim of Carriero et al. (2019). Replacing the SWA with the TA thus results in an ad hoc change to the MCMC algorithm’s transition kernel, leaving a priori unknown the formal relationship between the model’s posterior and simulations from the MCMC algorithm using the TA.