Vector Autoregressions and Reality
向量自回归与现实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：摘要围绕向量自回归的方差分解和脉冲响应构造置信区间，这些研究对象直接属于 VAR 与冲击响应分析方向。
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…
关注这篇论文的作者
向量自回归与现实
- 研究问题
- 不受约束的向量自回归中，方差分解与脉冲响应的估计有多大统计不确定性，缺少置信区间会怎样影响对结果显著性的理解？
- 方法与思路
- 作者提出两种计算方差分解和脉冲响应置信区间的方法，分别采用正态近似与 bootstrap 重抽样，并用 Sims 的研究实例说明。
- 材料陈述的贡献
- 摘要称，在 Sims 的例子中，常用预测期的方差分解 95% 置信区间宽度最高达 66 个百分点，显示报告区间的重要性。
- 阅读关注点
- 应核对两种区间方法的构造、重抽样方案及适用条件，并检查冲击识别方式、预测期选择与区间宽度之间的关系。
- 阅读边界
- 摘要只列举一个实例，未说明区间构造细节、识别设定与覆盖表现，不能据此判断所有 VAR 结果都不显著或具有因果解释。
原文摘要
This article questions the statistical significance of variance decompositions and impulse response functions for unrestricted vector auto regressions. It suggests that previous authors have failed to provide confidence intervals for variance decompositions and impulse response functions. Two methods of computing such confidence intervals are developed: first, using a normal approximation; second, using bootstrapped resampling. An example from Sims's work is used to illustrate the importance of computing these confidence intervals. In this example, the 95% confidence intervals for variance decompositions span up to 66 percentage points at the usual forecasting horizon.