Steady‐state modeling and macroeconomic forecasting quality
稳态建模与宏观经济预测质量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：摘要直接涉及宏观VAR预测、时变稳态及无条件均值的结构突变。
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
稳态建模与宏观经济预测质量
- 研究问题
- 在宏观VAR预测中，稳态先验的层次化、无条件均值的时变设定及非高斯误差扩展如何影响不同预测期限的质量？
- 方法与思路
- 作者提出稳态的自适应层次正态—伽马先验、处理均值结构突变的时变稳态，以及厚尾异方差误差，并用实时数据评估。
- 材料陈述的贡献
- 摘要称基于14个宏观变量，层次稳态设定总体改善一年以上的样本外预测，时变设定对无条件均值明显变化的变量表现更好。
- 阅读关注点
- 应核对稳态先验与时变过程、实时数据版本、预测基准及评价指标，并检查长预测期改善是否稳健且具有统计支持。
- 阅读边界
- 摘要未给国家、样本区间、预测指标或改善幅度；报告的优势限于所述数据与期限，不能据此断言对所有变量均有效。
原文摘要
Summary Vector autoregressions (VARs) with informative steady‐state priors are standard forecasting tools in empirical macroeconomics. This study proposes (i) an adaptive hierarchical normal‐gamma prior on steady states, (ii) a time‐varying steady‐state specification which accounts for structural breaks in the unconditional mean, and (iii) a generalization of steady‐state VARs with fat‐tailed and heteroskedastic error terms. Empirical analysis, based on a real‐time dataset of 14 macroeconomic variables, shows that, overall, the hierarchical steady‐state specifications materially improve out‐of‐sample forecasting for forecasting horizons longer than 1 year, while the time‐varying specifications generate superior forecasts for variables with significant changes in their unconditional mean.