Vector Autoregressions and Reality
向量自回归与现实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：摘要明确研究 VAR 的脉冲响应和方差分解及其置信区间，直接对应 VAR 与局部投影分类，也属于时间序列推断。
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
向量自回归与现实
- 研究问题
- 无约束向量自回归的脉冲响应和方差分解具有多大统计不确定性，如何构造置信区间以评估其统计显著性？
- 方法与思路
- 作者为无约束 VAR 的脉冲响应与方差分解构造置信区间，分别使用正态近似和自助重抽样，并以 Sims 的研究实例说明。
- 材料陈述的贡献
- 摘要提出两种区间计算方法，并报告示例中通常预测期限下，方差分解的 95% 置信区间跨度可达 66 个百分点。
- 阅读关注点
- 应核对 VAR 的设定与冲击解释所依赖的条件、两种区间的计算过程，以及预测期限如何影响脉冲响应和方差分解的不确定性。
- 阅读边界
- 摘要未说明重抽样设计、区间覆盖性质或冲击识别方式；所报宽区间来自一个示例，无法仅据此判断所有 VAR 结果的可信度。
原文摘要
This article questions the statistical significance of variance decompositions and impulse response functions for unrestricted vector auto regressions. It suggests that previous authors have failed to provide confidence intervals for variance decompositions and impulse response functions. Two methods of computing such confidence intervals are developed: first, using a normal approximation; second, using bootstrapped resampling. An example from Sims's work is used to illustrate the importance of computing these confidence intervals. In this example, the 95% confidence intervals for variance decompositions span up to 66 percentage points at the usual forecasting horizon.