Large Bayesian vector auto regressions
大型贝叶斯向量自回归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：摘要明确讨论宏观 VAR 的预测改善、脉冲响应与结构分析。
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…
大型贝叶斯向量自回归
- 研究问题
- 贝叶斯收缩能否使大型 VAR 在加入更多宏观变量和部门信息后改善预测，并仍能用于脉冲响应与结构分析？
- 方法与思路
- 作者根据系统横截面维度设定收缩程度，在小型货币 VAR 中加入额外宏观变量和部门信息，考察预测与结构分析表现。
- 材料陈述的贡献
- 摘要称适当配置收缩后，扩充变量可以改善小型货币 VAR 的预测，大型收缩 VAR 也能产生可信的脉冲响应并支持结构分析。
- 阅读关注点
- 应核对收缩强度与维度的对应规则、预测比较的信息集和评价标准，以及结构识别、脉冲响应与不确定性刻画。
- 阅读边界
- 仅依据所给 Crossref 版本摘要；结构识别条件、预测改进幅度及可信性的评价依据未说明，不能推断普遍优势或版本变化。
原文摘要
Abstract This paper shows that vector auto regression (VAR) with Bayesian shrinkage is an appropriate tool for large dynamic models. We build on the results of De Mol and co‐workers (2008) and show that, when the degree of shrinkage is set in relation to the cross‐sectional dimension, the forecasting performance of small monetary VARs can be improved by adding additional macroeconomic variables and sectoral information. In addition, we show that large VARs with shrinkage produce credible impulse responses and are suitable for structural analysis. Copyright © 2009 John Wiley & Sons, Ltd.