Nowcasting in a pandemic using non-parametric mixed frequency VARs
疫情期间利用非参数混频 VAR 进行即时预测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：摘要明确研究宏观即时预测，方法为非参数混频 VAR，并针对疫情极端观测进行应用比较。
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…
疫情期间利用非参数混频 VAR 进行即时预测
- 研究问题
- 面对疫情造成的极端宏观观测，如何在混合频率数据中进行即时预测，并比较非线性模型与线性混频 VAR？
- 方法与思路
- 作者利用加性回归树构造非参数混频 VAR 的贝叶斯后验推断方法，并在四个主要欧元区国家开展即时预测应用。
- 材料陈述的贡献
- 摘要称回归树的灵活性和处理异常值的能力适合该情境，应用中相较线性混频 VAR 的即时预测表现明显改善。
- 阅读关注点
- 应核对混频观测与缺失值处理、树模型及先验设定，以及实时信息集、预测目标和线性基准的比较设计。
- 阅读边界
- 仅依据所给 OpenAlex 摘要版本；预测变量、评价指标和改善幅度未说明，不能将该应用结论推广至所有异常时期。
原文摘要
This paper develops Bayesian econometric methods for posterior inference in non-parametric mixed frequency VARs using additive regression trees. We argue that regression tree models are ideally suited for macroeconomic nowcasting in the face of extreme observations, for instance those produced by the COVID-19 pandemic of 2020. This is due to their flexibility and ability to model outliers. In an application involving four major euro area countries, we find substantial improvements in nowcasting performance relative to a linear mixed frequency VAR.