Inference in Tightly Identified and Large-Scale Sign-Restricted SVARs
识别约束严密的大规模符号限制 SVAR 推断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：摘要直接研究符号及其他识别限制下结构 VAR 的贝叶斯推断，对应 VAR 与局部投影方向中的 VAR。
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
识别约束严密的大规模符号限制 SVAR 推断
- 研究问题
- 当结构 VAR 维度较高且识别不等式约束严密时，如何有效施加符号、形状、排序及弹性界限限制，并改善后验抽样的计算表现？
- 方法与思路
- 作者通过连续可微映射重新参数化模型以施加识别不等式，并兼容零限制；据此实现 Hamiltonian Monte Carlo，支持快速计算后验密度。
- 材料陈述的贡献
- 摘要称两项实证应用中，该方法相较既有方法往往降低链的序列相关、提高有效样本量并减少计算时间，改善大规模模型的后验计算。
- 阅读关注点
- 应核对重新参数化是否完整覆盖约束集合、变换后密度的处理、零限制的实现，以及计算比较是否在相同后验目标和精度下进行。
- 阅读边界
- 所用版本为 arXiv 预印本，同行评审或期刊接收未核实；摘要未提供具体映射及性能数值，两项应用的计算改善不证明普遍更快或识别更强。
原文摘要
We propose a new approach to inference in tightly identified and large-scale structural vector autoregressions based on a reparameterization that enables imposing identifying inequality restrictions through continuously differentiable mappings. Permitted inequality restrictions include shape and ranking restrictions as well as bounds on economically relevant elasticities, and the approach is also able to accommodate zero restrictions in a straightforward manner. We implement a Hamiltonian Monte Carlo algorithm and show how the posterior density can be rapidly evaluated under the reparameterization, thus facilitating inference in high-dimensional settings. Two empirical applications demonstrate that our approach tends to result in lower serial dependence in Markov chains, larger effective sample sizes and reduced computation time relative to existing methods.