Bayesian Shrinkage in High-Dimensional VAR Models: A Comparative Study
高维 VAR 模型中的贝叶斯收缩：比较研究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：摘要明确比较高维 VAR 的多元时间序列估计和一步样本外预测，未讨论冲击识别或脉冲响应。
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 VAR 模型中的贝叶斯收缩：比较研究
- 研究问题
- 高维或滞后阶数过度设定的 VAR 模型中，不同贝叶斯先验与频率学派正则化方法如何影响参数误差、区间覆盖和样本外预测？
- 方法与思路
- 作者在低维过拟合、高维稀疏及两者结合的三类模拟中比较三种贝叶斯收缩与两种频率学派方法，并分析加拿大宏观数据。
- 材料陈述的贡献
- 摘要称局部—全局先验尤其马蹄先验在覆盖与参数误差上表现较好；岭方法点预测有竞争力，但其比较中不确定性被低估。
- 阅读关注点
- 应核对模拟的数据生成与稀疏结构、先验和正则化调参、区间构造及预测评价，并检查加拿大应用是否支持相同的比较结论。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收未核实；摘要未提供具体模拟参数、指标数值或调参细节，不能认定某种先验普遍占优。
原文摘要
High-dimensional vector autoregressive (VAR) models offer a versatile framework for multivariate time series analysis, yet face critical challenges from over-parameterization and uncertain lag order. In this paper, we systematically compare three Bayesian shrinkage priors (horseshoe, lasso, and normal) and two frequentist regularization approaches (ridge and nonparametric shrinkage) under three carefully crafted simulation scenarios. These scenarios encompass (i) overfitting in a low-dimensional setting, (ii) sparse high-dimensional processes, and (iii) a combined scenario where both large dimension and overfitting complicate inference. We evaluate each method in quality of parameter estimation (root mean squared error, coverage, and interval length) and out-of-sample forecasting (one-step-ahead forecast RMSE). Our findings show that local-global Bayesian methods, particularly the horseshoe, dominate in maintaining accurate coverage and minimizing parameter error, even when the model is heavily over-parameterized. Frequentist ridge often yields competitive point forecasts but underestimates uncertainty, leading to sub-nominal coverage. A real-data application using macroeconomic variables from Canada illustrates how these methods perform in practice, reinforcing the advantages of local-global priors in stabilizing inference when dimension or lag order is inflated.