Large time-varying parameter VARs
大型时变参数向量自回归模型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：摘要直接研究时变参数VAR，并应用于通胀、产出和利率预测。
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
大型时变参数向量自回归模型
- 研究问题
- 大型时变参数VAR如何在计算负担可控的情况下估计并预测，同时允许模型维度和收缩强度随时间变化？
- 方法与思路
- 作者借鉴动态模型平均中的遗忘因子方法，降低计算负担，并用于调整VAR维度及收缩先验参数。
- 材料陈述的贡献
- 摘要称，这些扩展计算简单，并通过通胀、实际产出和利率预测应用展示方法的可行性与用途。
- 阅读关注点
- 应核对遗忘因子的设定、模型维度调整规则、收缩参数更新方法，以及预测比较的样本划分和评价指标。
- 阅读边界
- 仅据所给出版社摘要，无法判断计算近似的误差、预测收益的大小及稳健性；摘要未说明完整理论条件。
原文摘要
In this paper, we develop methods for estimation and forecasting in large time-varying parameter vector autoregressive models (TVP-VARs). To overcome computational constraints, we draw on ideas from the dynamic model averaging literature which achieve reductions in the computational burden through the use forgetting factors. We then extend the TVP-VAR so that its dimension can change over time. For instance, we can have a large TVP-VAR as the forecasting model at some points in time, but a smaller TVP-VAR at others. A final extension lies in the development of a new method for estimating, in a time-varying manner, the parameter(s) of the shrinkage priors commonly-used with large VARs. These extensions are operationalized through the use of forgetting factor methods and are, thus, computationally simple. An empirical application involving forecasting inflation, real output and interest rates demonstrates the feasibility and usefulness of our approach.