Bayesian compressed vector autoregressions
贝叶斯压缩向量自回归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。
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：摘要研究大型宏观 VAR 的降维计算，并直接比较宏观预测表现。
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…
贝叶斯压缩向量自回归
- 研究问题
- 在宏观 VAR 的参数数量远超观测数量时，能否通过压缩解释变量降低计算负担，并维持相对于因子法和先验收缩法的预测表现？
- 方法与思路
- 作者先随机压缩解释变量，将高维回归转化为较小问题，再对不同压缩方案进行贝叶斯模型平均，对预测表现较好的方案赋予更大权重。
- 材料陈述的贡献
- 摘要称，在包含至多 129 个变量的宏观应用中，压缩 VAR 的预测表现与因子法及先验收缩的大型 VAR 相当或更好。
- 阅读关注点
- 应核对随机压缩的生成方式与维度选择、模型平均权重的确定，以及预测评价中的数据时点、预测期限和基准模型设置。
- 阅读边界
- 仅据所给 RePEc 出版社摘要，预测优势限于所述应用；摘要未说明误差指标、统计显著性或跨样本稳健性。
原文摘要
Macroeconomists are increasingly working with large Vector Autoregressions (VARs) where the number of parameters vastly exceeds the number of observations. Existing approaches either involve prior shrinkage or the use of factor methods. In this paper, we develop an alternative based on ideas from the compressed regression literature. It involves randomly compressing the explanatory variables prior to analysis. A huge dimensional problem is thus turned into a much smaller, more computationally tractable one. Bayesian model averaging can be done over various compressions, attaching greater weight to compressions which forecast well. In a macroeconomic application involving up to 129 variables, we find compressed VAR methods to forecast as well or better than either factor methods or large VAR methods involving prior shrinkage.