Identifying structural vector autoregressions via non-Gaussianity of potentially dependent shocks
利用可能相依冲击的非高斯性识别结构向量自回归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：摘要直接研究非高斯SVAR的结构冲击识别，并以美国货币政策进行时间序列应用。
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
利用可能相依冲击的非高斯性识别结构向量自回归
- 研究问题
- 当结构冲击可能相依时，非高斯特征在什么条件下仍能识别SVAR中的部分冲击，其余冲击如何刻画为集合识别？
- 方法与思路
- 作者分别利用无共同偏度和无超额共同峰度条件建立识别结果，并讨论具有相依随机波动率的偏斜t误差SVAR的贝叶斯实现。
- 材料陈述的贡献
- 摘要称，两类条件分别识别偏斜冲击和超额峰度非零的冲击，剩余冲击为集合识别；结果可结合，并用于美国货币政策分析。
- 阅读关注点
- 应核对两类高阶矩条件与依赖结构的关系、已识别冲击和集合识别的具体含义，以及贝叶斯实现如何评估识别与外部工具有效性。
- 阅读边界
- 所给为在线优先版本摘要，未提供完整矩条件和识别归一化；允许相依条件异方差的结论仅被明确归于无共同偏度情形。
原文摘要
Summary We complement previous partial global identification results for the non-Gaussian structural vector autoregressive (SVAR) model by showing that in the absence of co-skewness among the strucural shocks, the skewed shocks are identified and in the absence of excess co-kurtosis, the shocks with non-zero excess kurtosis are identified. The former case has the advantage that dependent conditional heteroskedasticity is allowed for. In each case, the remaining shocks are set identified, and these results can be combined to identify both skewed and non-mesokurtic shocks. To capture the non-Gaussian features of the data, versatile error distributions must be specified. We discuss the Bayesian implementation of an SVAR model with skewed t-distributed errors that exhibit dependent stochastic volatility, including the assessment of identification and checking the validity of exogenous instruments potentially used for identification. The methods are illustrated in an empirical application to US monetary policy.