Estimating and accounting for the output gap with large Bayesian vector autoregressions
利用大型贝叶斯向量自回归估计并分解产出缺口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：摘要明确使用大型贝叶斯 VAR 开展宏观趋势与周期分解，直接涉及时间序列与 VAR 方法。
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
利用大型贝叶斯向量自回归估计并分解产出缺口
- 研究问题
- 在大型信息集中，如何估计实际产出的趋势与周期，并识别哪些变量为产出缺口测量提供超出产出增长自身的信息？
- 方法与思路
- 作者采用基于 VAR 的 Beveridge–Nelson 分解，将趋势与周期归结为不同预测误差的贡献，并通过贝叶斯收缩减少有限样本过拟合。
- 材料陈述的贡献
- 摘要称，美国应用中失业率和通胀等变量提供额外相关信息，产出缺口估计对部分变量替换或增加变量大体稳健。
- 阅读关注点
- 应核对预测误差贡献的定义、变量信息贡献判据、收缩先验和模型设定，以及稳健性比较的样本范围与不确定性呈现。
- 阅读边界
- 摘要未说明实时数据、修订处理及先验敏感性；预测误差贡献不能直接解释为已识别的结构冲击或因果作用。
原文摘要
Summary We consider how to estimate the trend and cycle of a time series, such as real gross domestic product, given a large information set. Our approach makes use of the Beveridge–Nelson decomposition based on a vector autoregression, but with two practical considerations. First, we show how to determine which conditioning variables span the relevant information by directly accounting for the Beveridge–Nelson trend and cycle in terms of contributions from different forecast errors. Second, we employ Bayesian shrinkage to avoid overfitting in finite samples when estimating models that are large enough to include many possible sources of information. An empirical application with up to 138 variables covering various aspects of the US economy reveals that the unemployment rate, inflation, and, to a lesser extent, housing starts, aggregate consumption, stock prices, real money balances, and the federal funds rate contain relevant information beyond that in output growth for estimating the output gap, with estimates largely robust to substituting some of these variables or incorporating additional variables.