Fast and order‐invariant inference in Bayesian VARs with nonparametric shocks
非参数冲击贝叶斯 VAR 的快速且排序不变推断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。
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 的冲击分布，并报告预测与美国货币政策传导应用，直接关联宏观冲击和预测分析。
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
非参数冲击贝叶斯 VAR 的快速且排序不变推断
- 研究问题
- 在大型贝叶斯 VAR 中，如何容纳冲击的非高斯、非对称和厚尾特征，同时避免推断成本过高及结果依赖变量排序？
- 方法与思路
- 作者利用狄利克雷过程混合描述简约式冲击，并采用受面板随机效应非参数建模启发的加性误差结构，实现大型 VAR 推断。
- 材料陈述的贡献
- 摘要称，该结构支持快速且不依赖变量排序的推断；不同维度 VAR 的应用中，非参数误差处理常改善预测，并可分析美国货币政策传导变化。
- 阅读关注点
- 应核对加性误差结构施加了哪些限制、排序不变性针对什么推断对象，以及计算效率、预测比较和货币政策冲击识别方式。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断计算提速幅度、先验敏感性或政策识别条件；排序不变的推断性质本身不保证结构冲击已被识别。
原文摘要
Summary The shocks that hit macroeconomic models such as Vector Autoregressions (VARs) have the potential to be non‐Gaussian, exhibiting asymmetries and fat tails. This consideration motivates the VAR developed in this paper that uses a Dirichlet process mixture (DPM) to model the reduced‐form shocks. However, we do not follow the obvious strategy of simply modeling the VAR errors with a DPM as this would lead to computationally infeasible Bayesian inference in larger VARs and potentially a sensitivity to the way the variables are ordered in the VAR. Instead, we develop a particular additive error structure inspired by Bayesian nonparametric treatments of random effects in panel data models. We show that this leads to a model that allows for computationally fast and order‐invariant inference in large VARs with nonparametric shocks. Our empirical results with nonparametric VARs of various dimensions show that nonparametric treatment of the VAR errors often improves forecast accuracy and can be used to analyze the changing transmission of US monetary policy.