Large Bayesian VARs for Binary, Censored and Count Variables
面向二元、删失与计数变量的大型贝叶斯VARAI 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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要核心是将VAR扩展至受限变量并用于宏观金融情景分析，直接涉及VAR方法、时间序列建模与预测评估，故选取这三个最相关的宏观细分方向。
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…
面向二元、删失与计数变量的大型贝叶斯VAR
- 研究问题
- 如何将向量自回归扩展到同时包含二元、删失、计数与无限制变量，并统一处理各类缺失观测，从而在保持标准VAR先验与波动率机制的同时对受限结果做预测与情景分析。
- 方法与思路
- 作者提出把每个受限观测与一个潜高斯变量相连，使收缩先验、随机波动率和异常值成分可直接用于潜变量VAR；潜变量条件分布为截断正态、精度矩阵带状，用哈密顿蒙特卡洛联合或逐方程抽样，并称抽样器可扩展至高维。
- 材料陈述的贡献
- 摘要称模拟研究显示把受限变量当作连续变量会扭曲系统水平与尺度，并在多数设计下恶化受限结果的预测；在美国25个宏观金融变量的应用中，作者估计了经济周期指标、银行业困境强度和影子利率，并用于对衰退概率、银行倒闭和有效下限利率施加约束的情景分析。
- 阅读关注点
- 应核对潜变量与受限观测的映射与识别假设、截断正态条件分布的推导与带状精度结构、HMC抽样器的维度扩展性与收敛诊断、模拟设计是否覆盖真实数据特征，以及应用中的变量定义、先验设定与情景约束如何外生给定。
- 阅读边界
- 仅凭摘要无法判断模型识别是否成立、抽样与预测优势是否稳健、模拟设计是否公平，也无法核实应用结果的具体数值；摘要未说明先验细节、收敛诊断与比较基准。该文为arXiv预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
We extend the vector autoregression (VAR) to model binary, censored, count and unrestricted variables jointly, treating missing observations of any type in the same way. Each restricted observation is linked to a latent Gaussian variable, so that the standard machinery for VARs, such as shrinkage priors, stochastic volatility and outlier components, applies directly to the VAR for the latent variables. The latent variables have a truncated normal conditional distribution with a banded precision matrix, from which they are drawn, jointly or equation by equation, using Hamiltonian Monte Carlo, and the sampler scales well to high dimensions. A simulation study shows that treating restricted variables as continuous distorts the levels and scales of the system and worsens forecasts of the restricted outcomes in most designs. In an application to 25 US macro-financial variables, we estimate a business cycle indicator, the intensity of banking distress and shadow rates. We use the model for scenario analysis with restrictions on the recession probability, bank failures and interest rates at the effective lower bound.