Generalizing the Bayesian Vector Autoregression Approach for Regional Interindustry Employment Forecasting
推广用于区域行业间就业预测的贝叶斯向量自回归方法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：摘要围绕区域行业就业的 BVAR 建模与样本外预测比较展开，直接涉及宏观预测及多变量时间序列。
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
推广用于区域行业间就业预测的贝叶斯向量自回归方法
- 研究问题
- 区域行业间就业预测如何利用投入产出联系及外部需求信息？研究比较广义贝叶斯向量自回归模型与常见基准的样本外表现。
- 方法与思路
- 作者将区域投入产出系数分别用于设定先验均值和加权明尼苏达型先验方差，并纳入最终需求以及与全国、世界经济的联系。
- 材料陈述的贡献
- 作者提出利用行业结构信息扩展区域就业 BVAR，并用佐治亚州数据开展样本外比较；摘要未报告其相对基准的优劣。
- 阅读关注点
- 核对投入产出系数进入两类先验的具体方式、外部变量设置与预测窗口，比较自回归、无约束 VAR 和明尼苏达 BVAR 的设定。
- 阅读边界
- 摘要未说明数据频率、预测步长、先验超参数或误差指标，也未给出比较结果，无法据此判断广义模型是否提高预测准确性。
原文摘要
The Bayesian vector autoregression (BVAR) employment-forecast approach is generalized using data for the state of Georgia. This study advances previous regional BVAR approaches by (1) incorporating regional input-output coefficients, (2) using the coefficients both to specify the prior means in one model and to weight the variances of a Minnesota-type prior in a second model, and (3) including final-demand effects and links to national and world economies. Out-of-sample forecasts produced by the generalized BVAR models are compared to forecasts produced from an autoregressive model, an unconstrained VAR model, and a Minnesota BVAR model.