Fast Posterior Sampling in Tightly Identified SVARs Using ‘Soft’ Sign Restrictions
紧识别SVAR中基于“软”符号限制的快速后验抽样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：摘要以符号限制识别的结构向量自回归与贝叶斯后验抽样为核心，直接对应VAR与局部投影及时间序列方向。
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
紧识别SVAR中基于“软”符号限制的快速后验抽样
- 研究问题
- 研究问题：在符号限制识别的结构向量自回归（SVAR）中，当识别较紧时，如何加快贝叶斯后验抽样并同时支持先验稳健方法。
- 方法与思路
- 方法思路：作者提出以“软”符号限制为基础的抽样步骤，从平滑惩罚违反限制参数值的目标密度抽样，便于使用高效MCMC算法；再用重要性抽样得到满足“硬”符号限制的条件抽样。
- 材料陈述的贡献
- 摘要所述贡献：相对标准接受-拒绝抽样，该方法在识别较紧时显著加快抽样，并便于实施先验稳健的贝叶斯方法；作者用含符号、弹性与叙述限制的石油市场模型说明其广泛适用性。
- 阅读关注点
- 阅读时应核对：软限制目标密度的具体形式与惩罚参数设定、重要性抽样权重与收敛诊断、与接受-拒绝抽样的速度比较设计，以及石油市场模型中各类限制如何被编码。
- 阅读边界
- 摘要信息的边界：摘要未说明算法的理论保证、抽样精度与偏差、具体计算耗时数值、先验稳健方法细节，也未给出石油市场模型的实证结论。
原文摘要
We propose algorithms for conducting Bayesian inference in structural vector autoregressions identified using sign restrictions. The key feature of our approach is a sampling step based on ‘soft’ sign restrictions. This step draws from a target density that smoothly penalises parameter values that violate the restrictions, facilitating the use of computationally efficient Markov chain Monte Carlo sampling algorithms. An importance-sampling step yields draws conditional on the ‘hard’ sign restrictions. Relative to standard accept-reject sampling, the method substantially speeds up sampling when identification is tight. It also facilitates implementing prior-robust Bayesian methods. We illustrate the broad applicability of the approach in an oil-market model identified using a rich set of sign, elasticity and narrative restrictions.