Exploring Monetary Policy Shocks with Large-Scale Bayesian VARs
利用大规模贝叶斯 VAR 探索货币政策冲击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：摘要明确研究货币政策结构冲击的 BVAR 识别，并以潜在因子表示冲击。
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
利用大规模贝叶斯 VAR 探索货币政策冲击
- 研究问题
- 如何在高维宏观系统中高效估计传统货币政策冲击，并允许政策传导随时间变化，以研究美国近期通胀时期的价格反应？
- 方法与思路
- 作者把结构冲击表示为潜在因子，使用 Gibbs 抽样估计高维时变 BVAR，并结合高频意外变动与符号限制识别货币冲击。
- 材料陈述的贡献
- 摘要称该框架兼顾可扩展性和时变效应；美国应用显示，联储对细分消费价格的影响在二〇二二至二四年明显变化。
- 阅读关注点
- 应核对高频识别信息与符号限制如何联合使用、因子结构和时变参数的设定，以及稳健性检验究竟覆盖哪些规格。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收状态未核实。摘要未说明具体限制、先验、变量集和效应数值，政策解释仍依赖识别条件。
原文摘要
I introduce a high-dimensional Bayesian vector autoregressive (BVAR) framework designed to estimate the effects of conventional monetary policy shocks. The model captures structural shocks as latent factors, enabling computationally efficient estimation in high-dimensional settings through a straightforward Gibbs sampler. By incorporating time variation in the effects of monetary policy while maintaining tractability, the methodology offers a flexible and scalable approach to empirical macroeconomic analysis using BVARs, well-suited to handle data irregularities observed in recent times. Applied to the U.S. economy, I identify monetary shocks using a combination of high-frequency surprises and sign restrictions, yielding results that are robust across a wide range of specification choices. The findings indicate that the Federal Reserve's influence on disaggregated consumer prices fluctuated significantly during the 2022-24 high-inflation period, shedding new light on the evolving dynamics of monetary policy transmission.