Large Order-Invariant Bayesian VARs with Stochastic Volatility
具有随机波动率的变量排序不变大型贝叶斯 VARAI 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 VAR 的随机波动率设定、变量排序问题和样本外预测。
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
具有随机波动率的变量排序不变大型贝叶斯 VAR
- 研究问题
- 大型贝叶斯 VAR 使用多元随机波动率时，如何避免误差协方差的下三角参数化使估计与预测依赖变量排列顺序？
- 方法与思路
- 作者采用不依赖下三角参数化的模型设定，利用多元随机波动率建立识别和排序不变性，并开发用于估计与预测的 MCMC 算法。
- 材料陈述的贡献
- 摘要称证明新模型的排序不变性，并在人工及宏观数据中展示排序影响；其二十变量预测实验报告新方法取得最佳预测表现。
- 阅读关注点
- 应核对随机波动率带来的识别条件、排序不变性涵盖的参数和预测对象，以及先验、计算成本与宏观预测比较的设定。
- 阅读边界
- 仅依据所给 OpenAlex 版本摘要；识别条件、先验和预测误差数值未说明，所述最佳表现限于报告的实验，不能推断刊本变化。
原文摘要
Many popular specifications for Vector Autoregressions (VARs) with multivariate stochastic volatility are not invariant to the way the variables are ordered due to the use of a lower triangular parameterization of the error covariance matrix. We show that the order invariance problem in existing approaches is likely to become more serious in large VARs. We propose the use of a specification which avoids the use of this lower triangular parameterization. We show that the presence of multivariate stochastic volatility allows for identification of the proposed model and prove that it is invariant to ordering. We develop a Markov chain Monte Carlo algorithm which allows for Bayesian estimation and prediction. In exercises involving artificial and real macroeconomic data, we demonstrate that the choice of variable ordering can have non-negligible effects on empirical results when using the nonorder invariant approach. In a macroeconomic forecasting exercise involving VARs with 20 variables we find that our order-invariant approach leads to the best forecasts and that some choices of variable ordering can lead to poor forecasts using a conventional, non-order invariant, approach.