Large Bayesian Tensor Autoregressions
大型贝叶斯张量自回归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：摘要以国际贸易张量时间序列为对象，并明确给出低秩分解对应全球因子的解释。
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
大型贝叶斯张量自回归
- 研究问题
- 如何保留进口国、出口国和商品等多维结构，分析大规模贸易时间序列的动态，同时处理时变波动、计算负担与过拟合？
- 方法与思路
- 作者提出贝叶斯张量自回归，将灵活的随机波动率纳入模型，并结合低秩 Tucker 分解、分层收缩先验及相应的抽样算法。
- 材料陈述的贡献
- 摘要称，该框架放宽同方差设定，提供高效抽样方法，并解释 Tucker 分解如何将高维细分贸易流投影到全球因子上。
- 阅读关注点
- 应核对张量动态与随机波动率的具体设定、秩和收缩强度的选择，以及全球因子解释、抽样效率和贸易应用的实际证据。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未提供估计性能或预测比较，不能仅凭模型灵活性认定优于既有方法。
原文摘要
The availability of multidimensional economic datasets has grown significantly in recent years. An example is bilateral trade values across goods among countries, comprising three dimensions -- importing countries, exporting countries, and goods -- forming a third-order tensor time series. This paper introduces a general Bayesian tensor autoregressive framework to analyze the dynamics of large, multidimensional time series with a particular focus on international trade across different countries and sectors. Departing from the standard homoscedastic assumption in this literature, we incorporate flexible stochastic volatility into the tensor autoregressive models. The proposed models can capture time-varying volatility due to the COVID-19 pandemic and recent outbreaks of war. To address computational challenges and mitigate overfitting, we develop an efficient sampling method based on low-rank Tucker decomposition and hierarchical shrinkage priors. Additionally, we provide a factor interpretation of the model showing how the Tucker decomposition projects large-dimensional disaggregated trade flows onto global factors.