The Time-Varying Multivariate Autoregressive Index Model
时变多变量自回归指数模型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：摘要研究时变自回归序列、共同成分及美国宏观数据预测，分别对应这三个方向。
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
时变多变量自回归指数模型
- 研究问题
- 面对大量经济序列的条件均值和波动变化，如何缓解时变 VAR 的估计与解释困难，并支持实时模型选择和预测？
- 方法与思路
- 作者提出均值和波动均时变的多变量自回归指数模型，将切换算法与遗忘因子结合，并采用动态模型选择或平均。
- 材料陈述的贡献
- 摘要称估计方案显著降低计算负担，可实时选择或加权共同成分数量等特征，并以美国宏观数据展示结构分析和预测应用。
- 阅读关注点
- 应核对共同成分的定义、切换算法与遗忘因子的作用、结构分析的识别方式，以及实时预测比较的信息集和计算成本。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未提供识别限制、预测数值或成本测量，无法判断相对优势大小。
原文摘要
Many economic variables feature changes in their conditional mean and volatility, and Time Varying Vector Autoregressive Models are often used to handle such complexity in the data. Unfortunately, when the number of series grows, they present increasing estimation and interpretation problems. This paper tries to address this issue proposing a new Multivariate Autoregressive Index model that features time varying means and volatility. Technically, we develop a new estimation methodology that mix switching algorithms with the forgetting factors strategy of Koop and Korobilis (2012). This substantially reduces the computational burden and allows to select or weight, in real time, the number of common components and other features of the data using Dynamic Model Selection or Dynamic Model Averaging without further computational cost. Using USA macroeconomic data, we provide a structural analysis and a forecasting exercise that demonstrates the feasibility and usefulness of this new model. Keywords: Large datasets, Multivariate Autoregressive Index models, Stochastic volatility, Bayesian VARs.