Bayesian model comparison for large Bayesian VARs after the COVID-19 pandemic
疫情后大型贝叶斯 VAR 的贝叶斯模型比较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：摘要直接研究大型 VAR 的模型比较，涉及时间序列建模及 VAR 设定。
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
疫情后大型贝叶斯 VAR 的贝叶斯模型比较
- 研究问题
- 在包含随机波动率及疫情异常值调整的大型贝叶斯 VAR 中，如何有效比较不同模型，而不只关注参数估计？
- 方法与思路
- 作者将重要性抽样与变分近似结合，构造边际似然估计量，用于比较不同的时变波动率设定和异常值调整方案。
- 材料陈述的贡献
- 摘要称该方法在蒙特卡洛研究中计算较快且能识别正确模型，并通过比较多种含一百八十个变量的 VAR 展示应用。
- 阅读关注点
- 应核对重要性分布的构造、变分近似如何参与边际似然计算，以及模拟中的候选模型、异常值设计和比较基准。
- 阅读边界
- 仅据所给出版社摘要，不能判断边际似然估计的误差、计算优势的适用范围或异常值调整的可靠性，也不能推断版本变化。
原文摘要
There is an increasing interest in applying variational Bayes techniques to estimating large Bayesian vector autoregressions (VARs) with stochastic volatility. However, less attention has been paid to the development of appropriate tools for comparing these high-dimensional models, especially among those designed to address COVID-19 outliers. This paper develops a marginal likelihood estimator that combines importance sampling and variational approximation for comparing large VARs with different time-varying volatility specifications and outlier adjustments. Through a Monte Carlo study, we show that the proposed approach is fast and able to identify the correct models. The effectiveness of the proposed method is further illustrated through an empirical application of comparing a variety of 180-variable VARs.