Structural Vector Autoregressions and Higher Moments: Challenges and Solutions in Small Samples
结构向量自回归与高阶矩：小样本挑战及解决方法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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要直接研究结构 VAR 的同时关系识别、独立结构冲击和高阶矩估计。
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…
关注这篇论文的作者
结构向量自回归与高阶矩：小样本挑战及解决方法
- 研究问题
- 利用独立结构冲击的高阶矩识别 SVAR 时，权重矩阵估计误差和大量矩条件为何会损害小样本估计及推断？
- 方法与思路
- 作者利用结构冲击独立性估计有效权重矩阵及估计量方差，并在权重矩阵中加入连续更新的尺度项，再进行蒙特卡洛评估。
- 材料陈述的贡献
- 摘要称，两项修正分别改善权重和方差估计、消除向低创新方差偏移的尺度偏差，模拟显示估计量表现显著改善。
- 阅读关注点
- 应核对冲击独立性与高阶矩识别条件、尺度项的构造、消除偏差的确切含义，以及模拟中的基准方法和评价指标。
- 阅读边界
- 这是 arXiv 预印本，不能据此声称已获同行评审或接收。摘要未给出模拟设计及改善幅度，结论依赖的具体条件仍待核对。
原文摘要
Generalized method of moments estimators based on higher-order moment conditions derived from independent shocks can be used to identify and estimate the simultaneous interaction in structural vector autoregressions. This study highlights two problems that arise when using these estimators in small samples. First, imprecise estimates of the asymptotically efficient weighting matrix and the asymptotic variance lead to volatile estimates and inaccurate inference. Second, many moment conditions lead to a small sample scaling bias towards innovations with a variance smaller than the normalizing unit variance assumption. To address the first problem, I propose utilizing the assumption of independent structural shocks to estimate the efficient weighting matrix and the variance of the estimator. For the second issue, I propose incorporating a continuously updated scaling term into the weighting matrix, eliminating the scaling bias. To demonstrate the effectiveness of these measures, I conducted a Monte Carlo simulation which shows a significant improvement in the performance of the estimator.