Bayesian Inference of Vector Autoregressions with Tensor Decompositions
基于张量分解的向量自回归贝叶斯推断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：摘要针对宏观 VAR 的参数压缩与贝叶斯估计，并直接比较美国宏观变量的点预测和密度预测。
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
基于张量分解的向量自回归贝叶斯推断
- 研究问题
- 当变量数和滞后阶数使 VAR 参数过多时，如何用张量结构进行降维、选择分解秩，并获得可解释的动态表示？
- 方法与思路
- 作者采用 CP 张量分解和乘法伽马先验处理秩选择，结合自适应推断、交织采样及后处理改善分解分量的混合与识别。
- 材料陈述的贡献
- 摘要称美国宏观数据应用中，该模型的点预测和密度预测优于标准 VAR，并可提供美国经济动态的概括性描述。
- 阅读关注点
- 应核对张量秩先验与自适应规则、分解分量的非唯一性及后处理识别，并检查预测基准、评价窗口和密度评分。
- 阅读边界
- 解读限于所给 OpenAlex 摘要；摘要未说明预测增益数值、先验敏感性和分量经济解释的条件，不能认定其普遍优于标准 VAR。
原文摘要
Vector autoregression (VAR) is a popular model for analyzing multivariate economic time series. However, VARs can be over-parameterized if the numbers of variables and lags are moderately large. Tensor VAR, a recent solution to over-parameterization, treats the coefficient matrix as a third-order tensor and estimates the corresponding tensor decomposition to achieve parsimony. In this paper, we employ the Tensor VAR structure with a CANDECOMP/PARAFAC (CP) decomposition and use Bayesian inference to estimate parameters. Firstly, we determine the rank by imposing the Multiplicative Gamma Prior to the tensor margins, i.e. elements in the decomposition, and accelerate the computation with an adaptive inferential scheme. Secondly, to obtain interpretable margins, we propose an interweaving algorithm to improve the mixing of margins and identify the margins using a post-processing procedure. In an application to the US macroeconomic data, our models outperform standard VARs in point and density forecasting and yield a summary of the dynamic of the US economy.