Bayesian neural networks for macroeconomic analysis
用于宏观经济分析的贝叶斯神经网络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：摘要明确针对具有时间依赖的宏观数据，并评估点预测和密度预测表现。
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…
用于宏观经济分析的贝叶斯神经网络
- 研究问题
- 宏观数据具有样本期数少、变量多和时间依赖的特点，如何设计适合这种数据结构、同时处理非线性和异方差的神经网络？
- 方法与思路
- 作者使用激活函数的混合设定选择非线性形式，以收缩先验裁剪无关神经元，并为误差项加入随机波动率模型。
- 材料陈述的贡献
- 摘要称，该框架减少大规模模型设定搜索，并在所展示的模拟及预测比较中，相对其他机器学习方法获得更准确的点与密度预测。
- 阅读关注点
- 应核对网络如何处理时间依赖、混合激活函数和收缩先验的设定，以及预测评估样本、比较方法和密度预测评分标准。
- 阅读边界
- 仅依据所给 OpenAlex 摘要；比较数据、误差幅度和计算成本未说明，预测优势仅是摘要对所研究比较的陈述。
原文摘要
Macroeconomic data is characterized by a limited number of observations (small T ), many time series (big K ) but also by featuring temporal dependence. Neural networks, by contrast, are designed for datasets with millions of observations and covariates. In this paper, we develop Bayesian neural networks (BNNs) that are well-suited for handling datasets commonly used for macroeconomic analysis in policy institutions. Our approach avoids extensive specification searches through a novel mixture specification for the activation function that appropriately selects the form of nonlinearities. Shrinkage priors are used to prune the network and force irrelevant neurons to zero. To cope with heteroskedasticity, the BNN is augmented with a stochastic volatility model for the error term. We illustrate how the model can be used in a policy institution through simulations and by showing that BNNs produce more accurate point and density forecasts compared to other machine learning methods.