Large Order-Invariant Bayesian VARs with Stochastic Volatility
具有随机波动率的大型排序不变贝叶斯 VARAI 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：摘要直接研究大型 VAR 的随机波动率设定，并以宏观数据开展预测比较，因此对应时间序列与预测方向。
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
具有随机波动率的大型排序不变贝叶斯 VAR
- 研究问题
- 大型随机波动率 VAR 的结果为何会受变量排序影响，能否构建保持排序不变且适用于贝叶斯估计与预测的模型？
- 方法与思路
- 作者采用避免误差协方差 Cholesky 分解的设定，利用多变量随机波动率讨论识别，并开发 MCMC 估计和预测算法。
- 材料陈述的贡献
- 摘要称，所提模型可识别且具有排序不变性，模拟与宏观数据展示排序影响，并在所考察预测练习中取得最佳表现。
- 阅读关注点
- 应核对随机波动率带来的识别条件、排序不变性涵盖的对象，以及先验、计算成本和预测评价设计的可比性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未说明完整识别条件，所述预测优势仅限于报告的练习。
原文摘要
Many popular specifications for Vector Autoregressions (VARs) with multivariate stochastic volatility are not invariant to the way the variables are ordered due to the use of a Cholesky decomposition for the error covariance matrix. We show that the order invariance problem in existing approaches is likely to become more serious in large VARs. We propose the use of a specification which avoids the use of this Cholesky decomposition. We show that the presence of multivariate stochastic volatility allows for identification of the proposed model and prove that it is invariant to ordering. We develop a Markov Chain Monte Carlo algorithm which allows for Bayesian estimation and prediction. In exercises involving artificial and real macroeconomic data, we demonstrate that the choice of variable ordering can have non-negligible effects on empirical results. In a macroeconomic forecasting exercise involving VARs with 20 variables we find that our order-invariant approach leads to the best forecasts and that some choices of variable ordering can lead to poor forecasts using a conventional, non-order invariant, approach.