Conditional Forecasts in Large Bayesian VARs with Multiple Equality and Inequality Constraints
多重等式与不等式约束下大型贝叶斯 VAR 的条件预测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。
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：摘要明确在大型贝叶斯 VAR 中生成宏观变量的条件预测，直接对应 VAR 方法和宏观预测两个方向。
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…
多重等式与不等式约束下大型贝叶斯 VAR 的条件预测
- 研究问题
- 当大型贝叶斯 VAR 的未来变量路径同时受到多重线性等式和不等式约束时，如何高效生成条件预测并保持结果一致？
- 方法与思路
- 作者提出基于精度矩阵的抽样器处理混合线性约束，通过模拟比较计算表现，并在美国宏观指标的条件预测中演示。
- 材料陈述的贡献
- 摘要称新抽样器具有较好的规模扩展能力，模拟预测与既有算法一致但耗时更短，并展示2020—2022年约束路径应用。
- 阅读关注点
- 应核对条件分布与抽样步骤、约束可行性处理、参数不确定性是否纳入，以及一致性和速度比较所采用的标准。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或被期刊接收；摘要未给出速度倍数，也不能将情景条件预测解读为因果冲击。
原文摘要
Conditional forecasts, i.e. projections of a set of variables of interest on the future paths of some other variables, are used routinely by empirical macroeconomists in a number of applied settings. In spite of this, the existing algorithms used to generate conditional forecasts tend to be very computationally intensive, especially when working with large Vector Autoregressions or when multiple linear equality and inequality constraints are imposed at once. We introduce a novel precision-based sampler that is fast, scales well, and yields conditional forecasts from linear equality and inequality constraints. We show in a simulation study that the proposed method produces forecasts that are identical to those from the existing algorithms but in a fraction of the time. We then illustrate the performance of our method in a large Bayesian Vector Autoregression where we simultaneously impose a mix of linear equality and inequality constraints on the future trajectories of key US macroeconomic indicators over the 2020--2022 period.