Sectoral Uncertainty: A Hierarchical-Volatility Approach
部门不确定性：分层波动率方法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：摘要以分层因子随机波动模型分析美国工业生产序列，直接涉及宏观因子与时间序列。
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…
部门不确定性：分层波动率方法
- 研究问题
- 如何从大量经济时间序列中区分共同、部门特有和个体特有的不确定性，并考察部门差异与经济周期的关系？
- 方法与思路
- 作者将条件方差分解为共同、部门和个体成分，用分层因子结构刻画随机波动，并开发基于精度采样的 MCMC 算法。
- 材料陈述的贡献
- 摘要称美国工业生产应用显示部门不确定性具有异质性，耐用品部门不确定性可能解释部分通常归于总体不确定性的周期效应。
- 阅读关注点
- 应核对波动成分的识别与归一化、层级结构、采样效率比较，以及将部门不确定性与经济周期效应联系起来的方法。
- 阅读边界
- 解读限于所给 OpenAlex 摘要；摘要未说明效应识别条件、量化幅度或因果解释依据，不能据此确认耐用品不确定性的驱动作用。
原文摘要
We propose a new empirical framework to estimate sectoral uncertainty from data-rich environments. We jointly decompose the conditional variance of economic time series into a common, a sector-specific, and an idiosyncratic component. By specifying a hierarchical-factor structure to stochastic volatility modeling, our framework combines both dimension reduction and flexibility. To estimate the model, we develop an efficient Markov chain Monte Carlo algorithm based on precision sampling techniques. We apply our framework to a large dataset of disaggregated industrial production series for the U.S. economy. Our findings suggest that: (i) uncertainty is heterogeneous at a sectoral level; and (ii) durable goods uncertainty may drive some business cycle effects typically attributed to aggregate uncertainty.