Fast Posterior Sampling in Tightly Identified SVARs Using 'Soft' Sign Restrictions
利用“软”符号限制加速紧识别 SVAR 的后验抽样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。
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：摘要直接研究由符号限制识别的结构向量自回归，并使用弹性与叙事限制，明确对应 VAR 与冲击识别方向。
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
利用“软”符号限制加速紧识别 SVAR 的后验抽样
- 研究问题
- 当符号限制使结构向量自回归的可接受参数区域较窄时，如何提高贝叶斯后验抽样效率并支持先验稳健分析？
- 方法与思路
- 作者先从平滑惩罚违反符号限制参数的目标密度进行 MCMC 抽样，再通过重要性抽样获得满足硬限制的样本。
- 材料陈述的贡献
- 摘要称该算法在识别较紧时显著加快抽样，并以包含符号、弹性和叙事限制的石油市场模型展示适用性。
- 阅读关注点
- 应核对软限制的惩罚形式、重要性权重与有效样本量，以及硬限制后验的恢复条件和先验稳健方法的实现。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出加速幅度、收敛诊断及不同限制组合下的性能。
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.