Nonlinearities in macroeconomic tail risk through the lens of big data quantile regressions
通过大数据分位数回归研究宏观尾部风险的非线性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：摘要直接预测美国GDP增长的条件分布并建模其非线性，最直接对应宏观预测与时间序列方向。
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
通过大数据分位数回归研究宏观尾部风险的非线性
- 研究问题
- 如何利用大规模数据和非线性分位数模型预测美国GDP增长的条件分布，尤其改善极端增长情形下的尾部预测？
- 方法与思路
- 作者在分位数回归中加入多种非线性设定，以收缩先验处理高维参数，并用变分贝叶斯近似后验及高斯过程表示非线性。
- 材料陈述的贡献
- 摘要称，所提模型取得较精确的预测，收益在分布尾部尤其明显；高斯过程进一步改善表现，特别是右尾预测。
- 阅读关注点
- 应核对非线性设定与先验选择、变分近似的误差、分位数预测的评价标准，以及尾部改进是否在不同预测期保持。
- 阅读边界
- 仅据所给 Crossref 摘要，比较基准、预测改善幅度和后验近似质量均未说明，不能据此确认尾部预测或不确定性量化可靠。
原文摘要
Summary Modeling and predicting extreme movements in GDP is notoriously difficult, and the selection of appropriate covariates and/or possible forms of nonlinearities are key in obtaining precise forecasts. In this paper, our focus is on using large datasets in quantile regression models to forecast the conditional distribution of US GDP growth. To capture possible nonlinearities, we include several nonlinear specifications. The resulting models will be huge dimensional, and we thus rely on a set of shrinkage priors. Since Markov chain Monte Carlo estimation becomes slow in these dimensions, we rely on fast variational Bayes approximations to the posterior distribution of the coefficients and the latent states. We find that our proposed set of models produces precise forecasts. These gains are especially pronounced in the tails. Using Gaussian processes to approximate the nonlinear component of the model further improves the good performance, in particular in the right tail.