Comparing stochastic volatility specifications for large Bayesian VARs
大型贝叶斯 VAR 的随机波动率设定比较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：摘要明确研究宏观应用中的大型贝叶斯向量自回归及其随机波动率设定。
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
大型贝叶斯 VAR 的随机波动率设定比较
- 研究问题
- 大型贝叶斯 VAR 中应如何选择随机波动率形式和系数收缩先验？模型比较优势究竟来自波动率结构还是先验的灵活性？
- 方法与思路
- 作者结合条件蒙特卡洛与自适应重要性抽样估计边际似然，用于比较不同随机波动率设定，并选择 VAR 系数的收缩先验。
- 材料陈述的贡献
- 摘要称，美国季度数据中 Cholesky 与因子随机波动率优于共同波动率设定，但优势主要可归于允许跨变量收缩的更灵活先验。
- 阅读关注点
- 应核对边际似然估计的稳定性、先验如何影响比较，以及作者如何区分波动率结构和跨变量收缩对模型表现的贡献。
- 阅读边界
- 仅据所给出版社摘要，不能认定某种波动率形式在所有应用中更优；具体变量、比较数值和分解依据未详述，版本变化未知。
原文摘要
Large Bayesian vector autoregressions with various forms of stochastic volatility have become increasingly popular in empirical macroeconomics. One main difficulty for practitioners is to choose the most suitable stochastic volatility specification for their particular application. We develop Bayesian model comparison methods–based on marginal likelihood estimators that combine conditional Monte Carlo and adaptive importance sampling–to choose among a variety of stochastic volatility specifications. The proposed methods can also be used to select an appropriate shrinkage prior on the VAR coefficients, which is a critical component for avoiding over-fitting in high-dimensional settings. Using US quarterly data of different dimensions, we find that both the Cholesky stochastic volatility and factor stochastic volatility outperform the common stochastic volatility specification. Their superior performance, however, can mostly be attributed to the more flexible priors that accommodate cross-variable shrinkage.