Subspace shrinkage in conjugate Bayesian vector autoregressions
共轭贝叶斯向量自回归中的子空间收缩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：摘要明确结合宏观 VAR、因子模型与美国宏观数据预测。
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
共轭贝叶斯向量自回归中的子空间收缩
- 研究问题
- 面对大型宏观数据集，如何将大型 VAR 与因子模型结合，同时从数据中估计收缩强度和因子数量以改善预测？
- 方法与思路
- 作者构造共轭贝叶斯 VAR，以子空间收缩先验将模型向因子模型定义的子空间收缩，并允许估计收缩强度和因子数。
- 材料陈述的贡献
- 摘要称，作者建立了先验的理论性质，模拟中能识别因子数量，并在美国宏观数据预测中取得改善。
- 阅读关注点
- 应核对子空间与先验的具体定义、收缩强度及因子数的估计方式，以及预测比较的基准、时间窗口和评价指标。
- 阅读边界
- 仅据所给 Crossref 摘要，理论性质的具体内容和预测改善幅度均未说明，不能据此断言该先验普遍优于其他选择。
原文摘要
Summary Macroeconomists using large datasets often face the choice of working with either a large vector autoregression (VAR) or a factor model. In this paper, we develop a conjugate Bayesian VAR with a subspace shrinkage prior that combines the two. This prior shrinks towards the subspace which is defined by a factor model. Our approach allows for estimating the strength of the shrinkage and the number of factors. After establishing the theoretical properties of our prior, we show that it successfully detects the number of factors in simulations and that it leads to forecast improvements using US macroeconomic data.