Estimation and inference of the forecast error variance decomposition for set-identified SVARs
集合识别 SVAR 预测误差方差分解的估计与推断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：摘要直接研究集合识别 SVAR 中结构冲击的预测误差方差分解，属于 VAR 与冲击分析。
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…
集合识别 SVAR 预测误差方差分解的估计与推断
- 研究问题
- 在内部限制和外部代理限制形成集合识别的 SVAR 中，如何估计冲击对宏观波动的方差贡献，并对其界限进行推断？
- 方法与思路
- 作者将方差分解端点表示为对称简约式矩阵的极端特征值，提出插件估计，并用扰动理论和集合长度调整的 delta 方法构造区间。
- 材料陈述的贡献
- 摘要称，方法给出一致估计、界限可微性与名义逐点覆盖；模拟展示有效性和紧致性的平衡，应用报告相对稳健贝叶斯程序的提速。
- 阅读关注点
- 应核对内部与代理限制如何决定识别集、特征值重合时的可微条件，以及区间覆盖对象、集合长度调整公式和计算比较设置。
- 阅读边界
- 仅据所给出版社摘要，无法判断可微性与覆盖结论的具体正则条件；模拟优势和应用提速的数值、范围及稳健性均未说明。
原文摘要
We study estimation and inference of the Forecast Error Variance Decomposition (FEVD) in Structural Vector Autoregressions (SVARs) that are set-identified by internal and external (proxy) restrictions. The FEVD measures the importance of shocks for macroeconomic fluctuations and is thus key to business cycle analysis. We deliver three practitioner-oriented results. First, we characterize the endpoints of the FEVD as the extreme eigenvalues of a symmetric reduced-form matrix, and propose a consistent plug-in estimator. Second, we use perturbation theory and establish differentiability of the FEVD bounds with respect to reduced-form parameters. Third, we construct a set-length-adjusted delta-method confidence interval that ensures the nominal point-wise coverage. Monte-Carlo exercises based on macroeconomic sample sizes show that it effectively balances validity and tightness relative to conventional alternatives. Two applications illustrate the practical advantages of our approach, including substantial speed-ups relative to robust Bayesian procedures.