Subspace Shrinkage in Conjugate Bayesian Vector Autoregressions
共轭贝叶斯向量自回归中的子空间收缩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：摘要明确结合宏观VAR与因子模型，并以大型美国宏观数据开展预测比较，直接支持时间序列、因子和预测分类。
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
共轭贝叶斯向量自回归中的子空间收缩
- 研究问题
- 面对大型宏观数据集，能否通过向因子模型子空间收缩，将大规模VAR的灵活性与因子模型的信息压缩结合？
- 方法与思路
- 作者构造向因子模型定义的子空间收缩的共轭VAR先验，同时估计收缩强度与因子数量，并进行模拟及美国数据预测。
- 材料陈述的贡献
- 摘要称该先验具有所研究的理论性质，模拟能识别因子数量，宏观预测应用中结合VAR与因子模型可改善预测。
- 阅读关注点
- 应核对子空间与先验的具体定义、因子数量和收缩强度的估计方法，以及预测基准、预测期和样本外评价程序。
- 阅读边界
- 这是arXiv预印本，同行评审与期刊接收未核实；摘要未说明理论条件及预测改善幅度，也未提供结构冲击识别。
原文摘要
Macroeconomists using large datasets often face the choice of working with either a large Vector Autoregression (VAR) or a factor model. In this paper, we develop methods for combining the two using a subspace shrinkage prior. Subspace priors shrink towards a class of functions rather than directly forcing the parameters of a model towards some pre-specified location. We develop a conjugate VAR prior which shrinks towards the subspace which is defined by a factor model. Our approach allows for estimating the strength of the shrinkage as well as the number of factors. After establishing the theoretical properties of our proposed prior, we carry out simulations and apply it to US macroeconomic data. Using simulations we show that our framework successfully detects the number of factors. In a forecasting exercise involving a large macroeconomic data set we find that combining VARs with factor models using our prior can lead to forecast improvements.