Conditional projection methods for large-scale Bayesian VARs
大规模贝叶斯 VAR 的条件投影方法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。
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：摘要明确涉及高维 VAR 条件预测、结构冲击情景分析与简约式误差的因子结构。
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
大规模贝叶斯 VAR 的条件投影方法
- 研究问题
- 高维贝叶斯 VAR 如何快速进行条件预测与结构情景分析，并区分同一观测路径由不同结构或特异冲击实现时的结果？
- 方法与思路
- 作者在简约式误差中引入因子结构，对观测变量、结构冲击和特异成分分别施加分布限制，构建快速条件投影算法。
- 材料陈述的贡献
- 摘要称计算成本仅对限制数量呈立方增长、对系统维数呈线性增长；油价情景显示同一路径可对应不同宏观结果。
- 阅读关注点
- 应核对因子的结构识别、各类分布限制的兼容性、复杂度计算依据，以及油价路径与冲击来源之间的情景对应。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要提及的海峡关闭情境未经外部核验，条件预测也不能视为实际结果。
原文摘要
We develop fast methods for conditional forecasting and structural scenario analysis with high-dimensional Bayesian vector autoregressions (VARs). Our general framework features a factor structure on the reduced-form errors, which enables fast and order-invariant equation-by-equation estimation; suitably identified factors admit a structural interpretation. The scenarios are defined through separate distributional restrictions on observables, structural shocks and idiosyncratic components. The computational cost of our proposed algorithm is cubic only in the number of restrictions, while the dimension of the forecasted system enters linearly. In our application with $33$ macroeconomic and financial variables and ten set-identified structural shocks for the US, we compute counterfactual predictions for oil price scenarios in the context of the 2026 closure of the Strait of Hormuz. The same oil price path is consistent with outcomes ranging from a mostly benign episode to pronounced stagflation, depending on which structural and idiosyncratic shocks are allowed to deliver it.