Efficient estimation of Bayesian VARMAs with time‐varying coefficients
时变系数贝叶斯VARMA模型的高效估计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：摘要直接研究宏观VARMA时间序列模型的贝叶斯估计，并通过宏观密度预测评价方法，对应时间序列与预测方向。
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
时变系数贝叶斯VARMA模型的高效估计
- 研究问题
- 如何降低贝叶斯VARMA模型的估计难度，并在允许移动平均系数随时间变化和随机波动时，评估其宏观密度预测表现？
- 方法与思路
- 作者为基础VARMA构建Gibbs采样器，再展示如何扩展到时变VMA系数和随机波动模型，并通过宏观预测练习与VAR比较。
- 材料陈述的贡献
- 摘要称该贝叶斯方法缓解VARMA计算难题；在所考察的随机波动模型类别中，VARMA密度预测优于VAR，短期预测尤其明显。
- 阅读关注点
- 重点核对VARMA的识别与参数化、先验和采样步骤，以及预测比较使用的模型范围、评价指标和样本外设计。
- 阅读边界
- 摘要未说明先验、采样效率指标、预测数据与评估细节；所述预测优势限于考察的模型类别和任务，不能推广至所有VARMA设定。
原文摘要
Summary Empirical work in macroeconometrics has been mostly restricted to using vector autoregressions (VARs), even though there are strong theoretical reasons to consider general vector autoregressive moving averages (VARMAs). A number of articles in the last two decades have conjectured that this is because estimation of VARMAs is perceived to be challenging and proposed various ways to simplify it. Nevertheless, VARMAs continue to be largely dominated by VARs, particularly in terms of developing useful extensions. We address these computational challenges with a Bayesian approach. Specifically, we develop a Gibbs sampler for the basic VARMA, and demonstrate how it can be extended to models with time‐varying vector moving average (VMA) coefficients and stochastic volatility. We illustrate the methodology through a macroeconomic forecasting exercise. We show that in a class of models with stochastic volatility, VARMAs produce better density forecasts than VARs, particularly for short forecast horizons.