Large Bayesian VARs: A Flexible Kronecker Error Covariance Structure
大型贝叶斯 VAR：灵活的 Kronecker 误差协方差结构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：摘要以大型宏观 VAR 为模型对象，并比较样本外预测表现，对应所列 VAR 方法与宏观预测方向，但未陈述结构冲击识别。
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
大型贝叶斯 VAR：灵活的 Kronecker 误差协方差结构
- 研究问题
- 大型贝叶斯向量自回归如何在保持估计可行的同时，允许创新项偏离独立同方差高斯设定，并改善宏观变量的拟合与预测？
- 方法与思路
- 作者利用模型似然所隐含的 Kronecker 结构降低计算负担，提出统一的 MCMC 估计方法，以容纳非高斯、异方差及序列相关创新项。
- 材料陈述的贡献
- 摘要称，在含二十个宏观变量的应用中，采用更灵活协方差结构的 BVAR 在样本内拟合和样本外预测上优于标准独立同方差高斯版本。
- 阅读关注点
- 核对 Kronecker 结构对跨变量和跨时间依赖的限制、先验与 MCMC 实现，以及样本外划分、预测指标和基准模型是否可比。
- 阅读边界
- 摘要未说明具体变量、先验、预测期数与统计比较细节；单个二十变量应用的优势不能保证普遍改进，也不能据此判断结构冲击识别。
原文摘要
We introduce a class of large Bayesian vector autoregressions (BVARs) that allows for non-Gaussian, heteroscedastic, and serially dependent innovations. To make estimation computationally tractable, we exploit a certain Kronecker structure of the likelihood implied by this class of models. We propose a unified approach for estimating these models using Markov chain Monte Carlo (MCMC) methods. In an application that involves 20 macroeconomic variables, we find that these BVARs with more flexible covariance structures outperform the standard variant with independent, homoscedastic Gaussian innovations in both in-sample model-fit and out-of-sample forecast performance.