Estimating large‐dimensional connectedness tables: The great moderation through the lens of sectoral spillovers
高维关联度表估计：从部门溢出理解大缓和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：摘要以高维 VAR 的预测误差方差分解研究部门溢出，并明确讨论大缓和中的结构变化解释。
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
高维关联度表估计：从部门溢出理解大缓和
- 研究问题
- 如何可靠估计高维部门预测误差方差分解表，并用美国工业生产部门间溢出的变化考察大缓和的可能解释？
- 方法与思路
- 作者比较对 VAR 系数和残差协方差矩阵的正则化方法，以模拟评估表现，并将交叉验证估计用于美国部门数据。
- 材料陈述的贡献
- 摘要称正则化减轻常规高维关联度估计的偏差和不确定性；美国部门溢出网络明显减弱，提示结构变化可能重要。
- 阅读关注点
- 应核对方差分解的定义、两类正则化与交叉验证的实施，以及网络减弱如何支持结构变化而非其他解释。
- 阅读边界
- 仅据所给 Crossref 摘要，网络减弱不能确证库存管理等机制的因果作用；具体比较结果及其他版本变化未说明。
原文摘要
We estimate sectoral spillovers around the Great Moderation with the help of forecast error variance decomposition tables. Obtaining such tables in high dimensions is challenging because they are functions of the estimated vector autoregressive coefficients and the residual covariance matrix. In a simulation study, we compare various regularization methods on both and conduct a comprehensive analysis of their performance. We show that standard estimators of large connectedness tables lead to biased results and high estimation uncertainty, both of which are mitigated by regularization. To explore possible causes for the Great Moderation, we apply a cross‐validated estimator on sectoral spillovers of industrial production in the US from 1972 to 2019. We find that the spillover network has considerably weakened, which hints at structural change, for example, through improved inventory management, as a critical explanation for the Great Moderation.