Partial identification of structural vector autoregressions with non-centred stochastic volatility
非中心化随机波动率下结构向量自回归的部分识别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：摘要明确研究结构 VAR、随机波动率识别及财政税收冲击。
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…
非中心化随机波动率下结构向量自回归的部分识别
- 研究问题
- 在依靠随机波动率识别结构冲击的贝叶斯 VAR 中，非中心化参数化如何影响先验、部分识别评估及结构参数估计？
- 方法与思路
- 作者比较非中心化与中心化随机波动率参数化，分析结构冲击条件方差的边际先验，并开展模拟及财政结构 VAR 应用。
- 材料陈述的贡献
- 摘要称非中心化设定产生以同方差为中心、强收缩且重尾的先验，模拟估计更精确，并在财政应用中识别与既有估计一致的税收冲击。
- 阅读关注点
- 应核对方差先验的推导、部分识别的判定方式、结构参数和方差归一化的关系，以及财政冲击结果对先验设定的敏感性。
- 阅读边界
- 仅据所给 OpenAlex 摘要版本，识别条件、模拟数值与财政模型细节未说明，不能将精度改善视为普遍结论或推断刊本变化。
原文摘要
We consider structural vector autoregressions that are identified through stochastic volatility under Bayesian estimation. Three contributions emerge from our exercise. First, we show that a non-centred parameterization of stochastic volatility yields a marginal prior for the conditional variances of structural shocks that is centred on homoskedasticity, with strong shrinkage and heavy tails—unlike the common centred parameterization. This feature makes it well suited for assessing partial identification of any shock of interest. Second, Monte Carlo experiments on small and large systems indicate that the non-centred setup estimates structural parameters more precisely and normalizes conditional variances efficiently. Third, revisiting prominent fiscal structural vector autoregressions, we show how the non-centred approach identifies tax shocks that are consistent with estimates reported in the literature.