Estimating high-dimensional Markov-switching VARs
高维马尔可夫状态转换向量自回归的估计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：摘要明确研究状态转换 VAR，并以美国短期收益可预测性为应用。
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
高维马尔可夫状态转换向量自回归的估计
- 研究问题
- 当状态转换 VAR 的参数数量接近或超过样本量时，如何实施稀疏估计，并识别不同经济状态下有用的收益预测变量？
- 方法与思路
- 作者提出采用 Lasso 或 SCAD 惩罚的极大似然估计，在高斯误差下开发改进 EM 算法，并用于美国短期收益预测。
- 材料陈述的贡献
- 摘要称两种估计量具有估计一致性，SCAD 还具有变量选择一致性；应用与样本外分析报告状态相关的预测差异。
- 阅读关注点
- 核对高维增长、状态识别与惩罚参数条件，检查 EM 的初始化和收敛，以及样本外预测是否使用可实时获得的信息。
- 阅读边界
- 所据为 arXiv 预印本，不能确认同行评审或期刊接收；摘要未给出完整理论条件及预测评价细节，优势仅是所述应用的报告。
原文摘要
Maximum likelihood estimation of large Markov-switching vector autoregressions (MS-VARs) can be challenging or infeasible due to parameter proliferation. To accommodate situations where dimensionality may be of comparable order to or exceeds the sample size, we adopt a sparse framework and propose two penalized maximum likelihood estimators with either the Lasso or the smoothly clipped absolute deviation (SCAD) penalty. We show that both estimators are estimation consistent, while the SCAD estimator also selects relevant parameters with probability approaching one. A modified EM-algorithm is developed for the case of Gaussian errors and simulations show that the algorithm exhibits desirable finite sample performance. In an application to short-horizon return predictability in the US, we estimate a 15 variable 2-state MS-VAR(1) and obtain the often reported counter-cyclicality in predictability. The variable selection property of our estimators helps to identify predictors that contribute strongly to predictability during economic contractions but are otherwise irrelevant in expansions. Furthermore, out-of-sample analyses indicate that large MS-VARs can significantly outperform "hard-to-beat" predictors like the historical average.