Forecasting with Global Vector Autoregressive Models: a Bayesian Approach
全球向量自回归模型的预测：贝叶斯方法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：摘要明确以跨国宏观金融变量的点预测和密度预测为目标，并采用全球向量自回归时间序列模型。
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…
全球向量自回归模型的预测：贝叶斯方法
- 研究问题
- 预测跨国宏观与金融变量时，全球向量自回归框架和分层先验能否改善一季度及四季度预测的点预测与密度预测表现？
- 方法与思路
- 作者构建贝叶斯全球向量自回归模型，以分层先验对各国系数施加不同程度的收缩，并比较多个设定在两种预测期下的表现。
- 材料陈述的贡献
- 摘要称全球框架与国别收缩有助于改善预测；多种设定往往优于朴素单变量模型、参数无收缩的全球模型及各国独立VAR。
- 阅读关注点
- 重点核对分层先验如何决定国别收缩程度、预测样本与评估指标，以及各基准模型是否使用可比的信息集和预测评估流程。
- 阅读边界
- 摘要未说明国家与变量范围、预测评估细节或统计显著性；“往往优于”是作者报告的比较结果，不能推广为普遍预测优势。
原文摘要
Summary This paper develops a Bayesian variant of global vector autoregressive (B‐GVAR) models to forecast an international set of macroeconomic and financial variables. We propose a set of hierarchical priors and compare the predictive performance of B‐GVAR models in terms of point and density forecasts for one‐quarter‐ahead and four‐quarter‐ahead forecast horizons. We find that forecasts can be improved by employing a global framework and hierarchical priors which induce country‐specific degrees of shrinkage on the coefficients of the GVAR model. Forecasts from various B‐GVAR specifications tend to outperform forecasts from a naive univariate model, a global model without shrinkage on the parameters and country‐specific vector autoregressions. Copyright © 2016 John Wiley & Sons, Ltd.