Estimation and forecasting in vector autoregressive moving average models for rich datasets
丰富数据下向量自回归移动平均模型的估计与预测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：摘要直接研究宏观变量的 VARMA 建模与预测；未涉及结构冲击识别，因此时间序列和预测方向最为贴切。
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
丰富数据下向量自回归移动平均模型的估计与预测
- 研究问题
- 如何利用丰富的预测变量估计大型 VARMA 模型，并使其成为宏观变量预测中可实施的多变量模型选择？
- 方法与思路
- 作者采用迭代普通最小二乘估计 VARMA 模型，建立弱与强 VARMA 模型下的一致性和渐近分布，并进行模拟与预测应用。
- 材料陈述的贡献
- 摘要称估计方法适用于大型系统，并在所考察模拟和应用中优于若干估计或预测基准，包括贝叶斯 VAR 与因子模型。
- 阅读关注点
- 应核对 VARMA 参数化和识别方式、迭代初始化与收敛要求，以及各预测基准的维度、阶数选择和评价样本。
- 阅读边界
- 仅据所给出版社摘要，理论适用条件和比较结果的具体数值未说明；所报告优势不能推广到所有数据与模型设定。
原文摘要
We address the issue of modelling and forecasting macroeconomic variables using rich datasets by adopting the class of Vector Autoregressive Moving Average (VARMA) models. We overcome the estimation issue that arises with this class of models by implementing an iterative ordinary least squares (IOLS) estimator. We establish the consistency and asymptotic distribution of the estimator for weak and strong VARMA(p,q) models. Monte Carlo results show that IOLS is consistent and feasible for large systems, outperforming the MLE and other linear regression based efficient estimators under alternative scenarios. Our empirical application shows that VARMA models are feasible alternatives when forecasting with many predictors. We show that VARMA models outperform the AR(1), ARMA(1,1), Bayesian VAR, and factor models, considering different model dimensions.