Forecasting with shadow rate VARs
使用影子利率 VAR 进行预测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：摘要直接研究受利率下限约束的 VAR 预测及其贝叶斯时间序列估计。
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…
使用影子利率 VAR 进行预测
- 研究问题
- 研究名义利率受到有效下限等偶尔约束时，如何构建可用于大规模预测的 VAR，并保留短期利率包含的信息。
- 方法与思路
- 作者将观测利率建模为潜在影子利率过程的删失观测，提出适用于较大模型的贝叶斯估计算法，并与不同 VAR 基准比较。
- 材料陈述的贡献
- 摘要称表现较好的影子利率 VAR 改善利率预测，宏观变量预测大体相近，且优于为避开下限而删去短期利率的 VAR。
- 阅读关注点
- 应核对删失机制、影子利率过程与先验设定，以及预测样本、期限、损失函数和不同利率信息集合下的比较结果。
- 阅读边界
- 仅据所给 Crossref 摘要，不能推断其他版本变化；改善幅度与模型筛选细节未说明，不能将预测表现推广为结构冲击识别结论。
原文摘要
Vector autoregressions (VARs) are popular for forecasting, but ill‐suited to handle occasionally binding constraints, like the effective lower bound on nominal interest rates. We examine reduced‐form “shadow rate VARs” that model interest rates as censored observations of a latent shadow rate process and develop an efficient Bayesian estimation algorithm that accommodates large models. When compared to a standard VAR, our better‐performing shadow rate VARs generate superior predictions for interest rates and broadly similar predictions for macroeconomic variables. We obtain this result for shadow rate VARs in which the federal funds rate is the only interest rate and in models including additional interest rates. Our shadow rate VARs also deliver notable gains in forecast accuracy relative to a VAR that omits shorter‐term interest rate data in order to avoid modeling the lower bound.