Global robust Bayesian analysis in large models
大型模型中的全局稳健贝叶斯分析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：摘要的主要应用涉及 VAR 及新凯恩斯模型中货币政策冲击的产出脉冲响应。
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
大型模型中的全局稳健贝叶斯分析
- 研究问题
- 在大型贝叶斯模型中，如何评价相对熵意义下邻近先验对后验均值或分位数的影响，并识别哪些先验特征主导目标统计量的不确定性？
- 方法与思路
- 作者在不施加参数化限制的先验邻域内构造后验统计量界，开发序贯蒙特卡洛算法，并利用似然和目标统计量近似实施计算。
- 材料陈述的贡献
- 摘要称，层级 VAR 的先验紧度超参数对超先验较不敏感；新凯恩斯模型的货币政策冲击产出响应误差带则较依赖先验，工资刚性尤其关键。
- 阅读关注点
- 应核对相对熵邻域的方向与半径、界的精确定义，以及算法和近似误差；应用中需检查冲击响应敏感性如何归因于具体先验。
- 阅读边界
- 仅依据所给 RePEc 出版社摘要；摘要未说明邻域大小、误差控制或敏感性量级，两个模型的结果不能推广为所有贝叶斯模型的结论。
原文摘要
This paper develops a tool for global prior sensitivity analysis in large Bayesian models. Without imposing parametric restrictions, the methodology provides bounds for posterior means or quantiles given any prior close to the original in relative entropy and reveals features of the prior that are important for the posterior statistics of interest. We develop a sequential Monte Carlo algorithm and use approximations to the likelihood and statistic of interest to implement the calculations. The methodology finds that the prior tightness hyperparameters in the hierarchical vector autoregression model from Giannone et al. (2015) are relatively insensitive to their hyperpriors. However, in the New Keynesian model of Smets and Wouters (2007), the error bands for the impulse response of output to a monetary policy shock depend heavily on the prior. The upper bound is especially sensitive, and the prior on wage rigidity plays a particularly important role.