Large Bayesian SVARs with linear restrictions
带线性约束的大型贝叶斯结构向量自回归模型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 SVAR、脉冲响应和多种宏观冲击识别，属于宏观时间序列与冲击分析。
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
带线性约束的大型贝叶斯结构向量自回归模型
- 研究问题
- 大型 SVAR 的当期脉冲响应受到线性等式、不等式及过度识别约束时，如何有效进行参数后验抽样和宏观冲击分析？
- 方法与思路
- 作者通过新的参数变换构造 MCMC 算法，处理当期响应的线性约束，并在使用多个代理变量的大型 Proxy-SVAR 中应用。
- 材料陈述的贡献
- 摘要称，该算法适用于含过度识别约束的 SVAR；应用同时识别多个宏观冲击，研究其对二〇〇七至二〇〇九年衰退的贡献。
- 阅读关注点
- 应核对参数变换如何保证约束成立、先验与后验抽样步骤、算法诊断，以及代理变量识别条件和衰退贡献的定义。
- 阅读边界
- 仅依据所给出版社摘要；代理变量有效性、模型规模、抽样效率与冲击贡献数值未说明，也不能推断其他版本的变化。
原文摘要
This paper develops a Markov Chain Monte Carlo (MCMC) algorithm for Bayesian inference in large structural vector autoregressions (SVARs) with linear restrictions. Our proposed method is based on a novel parameter transformation scheme, which aims to facilitate sampling from the posterior distribution of model parameters when linear equality and inequality restrictions are imposed on contemporaneous impulse responses. A prominent feature of the proposed methodology is its applicability for inference in SVARs with over-identifying restrictions. In our empirical application, we demonstrate the usefulness of our method by employing a large Proxy-SVAR with multiple proxy variables to simultaneously identify multiple macroeconomic shocks and investigate their contributions to the 2007–09 Recession.