Bayesian Estimates for Vector Autoregressive Models
向量自回归模型的贝叶斯估计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VAR参数估计并应用于美国宏观数据，对应时间序列及VAR方法，未提供结构冲击识别证据。
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
向量自回归模型的贝叶斯估计
- 研究问题
- 在不同损失函数、非信息先验和误差分布下，向量自回归系数与误差协方差矩阵的贝叶斯估计，其频率学派风险如何变化？
- 方法与思路
- 作者在正态与Student-t模型中比较多种先验和贝叶斯估计规则，以模拟评估频率学派风险，并用美国宏观数据估计向量自回归。
- 材料陈述的贡献
- 摘要称，模拟中LINEX系数估计的风险表现总体优于后验均值，协方差估计没有统一占优者；先验选择的影响大于估计规则差异。
- 阅读关注点
- 核对各损失函数下风险的定义、模拟参数范围与先验形式，特别是收缩先验、常数先验和不同协方差先验之间的比较条件。
- 阅读边界
- 仅据摘要不能把模拟中的风险排序视为普遍优势；摘要未说明样本量与参数覆盖范围，宏观估计差异也不足以判定哪个先验更准确。
原文摘要
This article examines frequentist risks of Bayesian estimates of vector autoregressive (VAR) regression coefficient and error covariance matrices under competing loss functions, under various noninformative priors, and in the normal and Student-t models. Simulation results show that for the regression coefficient matrix, an asymmetric LINEX estimator does better overall than the posterior mean. No dominating estimator emerges for the error covariance matrix. We find that the choice of prior has a more significant effect on the estimates than the form of estimator. For the VAR regression coefficients, a shrinkage prior dominates a constant prior. For the error covariance matrix, Yang and Berger's reference prior dominates the Jeffreys prior. Estimation of a VAR using U.S. macroeconomic data yields significantly different estimates under competing priors.