A new algorithm for structural restrictions in Bayesian vector autoregressions
贝叶斯向量自回归中结构限制的新算法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：摘要直接研究带符号限制的结构 VAR，并用共同因子及其载荷表示扰动与识别限制。
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
贝叶斯向量自回归中结构限制的新算法
- 研究问题
- 如何在贝叶斯 VAR 中联合处理参数估计与符号等结构限制，并让多个冲击和较大规模系统的结构推断更易计算？
- 方法与思路
- 作者让约化式扰动由少数共同因子驱动，将结构限制写入因子载荷的参数限制，并构造联合抽样的 Gibbs 算法。
- 材料陈述的贡献
- 摘要称，方法联合处理估计与结构推断，可扩展至大型 VAR 及其他经验特征，并通过模拟和金融因素的宏观应用展示表现。
- 阅读关注点
- 应核对共同因子设定与结构冲击的对应、限制如何实施、抽样目标与收敛诊断，以及大系统扩展的计算成本。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未给出识别细节、算法比较数值或扩展的具体条件。
原文摘要
A comprehensive methodology for inference in vector autoregressions (VARs) using sign and other structural restrictions is developed. The reduced-form VAR disturbances are driven by a few common factors and structural identification restrictions can be incorporated in their loadings in the form of parametric restrictions. A Gibbs sampler is derived that allows for reduced-form parameters and structural restrictions to be sampled efficiently in one step. A key benefit of the proposed approach is that it allows for treating parameter estimation and structural inference as a joint problem. An additional benefit is that the methodology can scale to large VARs with multiple shocks, and it can be extended to accommodate non-linearities, asymmetries, and numerous other interesting empirical features. The excellent properties of the new algorithm for inference are explored using synthetic data experiments, and by revisiting the role of financial factors in economic fluctuations using identification based on sign restrictions.