Adaptive hierarchical priors for high-dimensional vector autoregressions
高维向量自回归的自适应层级先验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：摘要直接讨论宏观 VAR 预测、结构分析及消息驱动的经济周期。
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
高维向量自回归的自适应层级先验
- 研究问题
- 如何在高维 VAR 中快速近似计算参数边际后验，并利用层级收缩先验形成有用的简约表示以支持预测与结构分析？
- 方法与思路
- 作者提出无需后验模拟的估计算法，对具有层级表示的独立 VAR 先验推导解析表达式，并开展模拟、宏观预测和结构分析。
- 材料陈述的贡献
- 摘要称算法展示精度与计算收益，层级先验可提取有用的简约模型，并能复现大型理论模型所预测的消息驱动周期的重要特征。
- 阅读关注点
- 应核对边际后验近似的推导与误差、独立先验和层级表示的限制，以及预测评估与消息冲击结构分析的识别设定。
- 阅读边界
- 仅据所给出版社摘要，无法判断近似误差或计算收益幅度；复现理论周期特征并不意味着已验证理论模型的全部机制。
原文摘要
This paper proposes a simulation-free estimation algorithm for vector autoregressions (VARs) that allows fast approximate calculation of marginal parameter posterior distributions. We apply the algorithm to derive analytical expressions for independent VAR priors that admit a hierarchical representation and which would typically require computationally intensive posterior simulation methods. The benefits of the new algorithm are explored using three quantitative exercises. First, a Monte Carlo experiment illustrates the accuracy and computational gains of the proposed estimation algorithm and priors. Second, a forecasting exercise involving VARs estimated on macroeconomic data demonstrates the ability of hierarchical shrinkage priors to find useful parsimonious representations. We also show how our approach can be used for structural analysis and that it can successfully replicate important features of news-driven business cycles predicted by a large-scale theoretical model.