Large Bayesian VARMAs
大型贝叶斯 VARMA 模型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：摘要直接研究高维 VARMA 并用于宏观多变量时间序列，依据明确。
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…
大型贝叶斯 VARMA 模型
- 研究问题
- 面对高维 VARMA 的参数过多、识别困难与计算挑战，如何构造适用于多变量宏观分析的贝叶斯推断方法？
- 方法与思路
- 作者提出贝叶斯 VARMA 推断方案，在 MCMC 算法中共同处理识别与参数简约性，并用于最多十二个变量的宏观应用。
- 材料陈述的贡献
- 摘要称该方法克服 VARMA 实用中的主要障碍，算法在所给应用中运行成功，并提供超出 VAR 分析的信息。
- 阅读关注点
- 应核对识别约束、先验如何实现简约性、MCMC 的收敛诊断，以及与 VAR 对照时新增信息的具体含义。
- 阅读边界
- 仅据所给出版社摘要，无法判断识别与计算保证的条件、先验敏感性或新增信息的稳健性，不能声称普遍优于 VAR。
原文摘要
Vector Autoregressive Moving Average (VARMA) models have many theoretical properties which should make them popular among empirical macroeconomists. However, they are rarely used in practice due to over-parameterization concerns, difficulties in ensuring identification and computational challenges. With the growing interest in multivariate time series models of high dimension, these problems with VARMAs become even more acute, accounting for the dominance of VARs in this field. In this paper, we develop a Bayesian approach for inference in VARMAs which surmounts these problems. It jointly ensures identification and parsimony in the context of an efficient Markov chain Monte Carlo (MCMC) algorithm. We use this approach in a macroeconomic application involving up to twelve dependent variables. We find our algorithm to work successfully and provide insights beyond those provided by VARs.