Fast and Order-invariant Inference in Bayesian VARs with Non-Parametric Shocks
非参数冲击下贝叶斯 VAR 的快速、变量排序不变推断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：摘要明确讨论宏观 VAR 的冲击分布与推断，并处理多变量动态时间序列，因此归入 VAR 与时间序列方向。
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
非参数冲击下贝叶斯 VAR 的快速、变量排序不变推断
- 研究问题
- 当宏观冲击呈现偏态和厚尾时，如何在大型 VAR 中容纳非高斯分布，同时控制计算成本并避免推断依赖变量排序？
- 方法与思路
- 作者借鉴面板随机效应的贝叶斯非参数处理，构造特定的加性误差结构，并用 Dirichlet 过程混合描述冲击分布。
- 材料陈述的贡献
- 摘要称该结构支持大型 VAR 的快速、排序不变推断；不同维度的实证分析显示，非参数误差处理在金融危机和疫情期间尤其有用。
- 阅读关注点
- 应核对加性误差结构的具体限制、排序不变性适用的推断对象，以及计算速度和危机时期表现所采用的比较标准。
- 阅读边界
- 所给版本为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明具体模型限制、计算规模及实证改善幅度。
原文摘要
The shocks which hit macroeconomic models such as Vector Autoregressions (VARs) have the potential to be non-Gaussian, exhibiting asymmetries and fat tails. This consideration motivates the VAR developed in this paper which uses a Dirichlet process mixture (DPM) to model the shocks. However, we do not follow the obvious strategy of simply modeling the VAR errors with a DPM since this would lead to computationally infeasible Bayesian inference in larger VARs and potentially a sensitivity to the way the variables are ordered in the VAR. Instead we develop a particular additive error structure inspired by Bayesian nonparametric treatments of random effects in panel data models. We show that this leads to a model which allows for computationally fast and order-invariant inference in large VARs with nonparametric shocks. Our empirical results with nonparametric VARs of various dimensions shows that nonparametric treatment of the VAR errors is particularly useful in periods such as the financial crisis and the pandemic.