Bayesian inference of vector autoregressions with tensor decompositions
利用张量分解的向量自回归贝叶斯推断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：摘要研究多变量经济时间序列的 VAR 估计，并比较美国宏观数据的点预测和密度预测表现。
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
利用张量分解的向量自回归贝叶斯推断
- 研究问题
- 当经济变量与滞后阶数较多导致 VAR 参数过多时，如何利用张量分解减少参数，并兼顾秩选择、可解释性与预测表现？
- 方法与思路
- 作者对 VAR 系数使用 CP 张量分解，以乘法 Gamma 先验和自适应推断选择秩，再用交织算法及后处理改善混合与分量识别。
- 材料陈述的贡献
- 摘要称所提方法实现较简约的贝叶斯 VAR 估计，并在美国宏观数据中取得优于标准 VAR 的点预测与密度预测表现。
- 阅读关注点
- 应核对张量各维度的经济含义、秩选择规则、分解识别及后处理方式，以及预测比较的基准、信息集与不确定性评估。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未报告预测改进幅度，张量分量的识别也不等同于结构冲击识别。
原文摘要
Vector autoregressions (VARs) are popular model for analyzing multivariate economic time series. However, VARs can be over-parameterized if the numbers of variables and lags are moderately large. Tensor VAR, a recent solution to over-parameterization, treats the coefficient matrix as a third-order tensor and estimates the corresponding tensor decomposition to achieve parsimony. In this paper, we employ the Tensor VAR structure with a CANDECOMP/PARAFAC (CP) decomposition and conduct Bayesian inference to estimate parameters. Firstly, we determine the rank by imposing the Multiplicative Gamma Prior to the tensor margins, i.e. elements in the decomposition, and accelerate the computation with an adaptive inferential scheme. Secondly, to obtain interpretable margins, we propose an interweaving algorithm to improve the mixing of margins and identify the margins using a post-processing procedure. In an application to the US macroeconomic data, our models outperform standard VARs in point and density forecasting and yield a summary of the dynamic of the US economy.