Bayesian nonparametric vector autoregressive models
贝叶斯非参数向量自回归模型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：摘要提出宏观 VAR 模型，并明确比较美国和英国宏观序列的样本外预测。
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
贝叶斯非参数向量自回归模型
- 研究问题
- 如何扩展通常采用线性结构和高斯创新的 VAR，使其描述宏观序列中的非线性、异方差与非高斯创新，并用于预测？
- 方法与思路
- 作者以贝叶斯非参数方法建模平稳密度和转移密度，允许条件均值非线性、条件方差异方差及非高斯创新。
- 材料陈述的贡献
- 摘要称，模型能刻画非线性与异方差；在美国和英国宏观序列的短期样本外预测中，表现优于所比较模型。
- 阅读关注点
- 应核对密度建模与平稳性的关系、先验及计算方法，以及预测评价的样本划分、比较模型和损失函数。
- 阅读边界
- 仅据所给出版社摘要，无法量化预测改善或判断其稳健性；作者报告的优势限于所述应用和比较范围。
原文摘要
Vector autoregressive (VAR) models are the main work-horse models for macroeconomic forecasting, and provide a framework for the analysis of complex dynamics that are present between macroeconomic variables. Whether a classical or a Bayesian approach is adopted, most VAR models are linear with Gaussian innovations. This can limit the model’s ability to explain the relationships in macroeconomic series. We propose a nonparametric VAR model that allows for nonlinearity in the conditional mean, heteroscedasticity in the conditional variance, and non-Gaussian innovations. Our approach differs from that of previous studies by modelling the stationary and transition densities using Bayesian nonparametric methods. Our Bayesian nonparametric VAR (BayesNP-VAR) model is applied to US and UK macroeconomic time series, and compared to other Bayesian VAR models. We show that BayesNP-VAR is a flexible model that is able to account for nonlinear relationships as well as heteroscedasticity in the data. In terms of short-run out-of-sample forecasts, we show that BayesNP-VAR predictively outperforms competing models.