Approximation Properties of Variational Bayes for Vector Autoregressions
Swinburne Business School（斯威本商学院）
变分贝叶斯（VB）是最近提出的一种贝叶斯推断近似方法。它的优点是快速和可扩展的替代马尔可夫链蒙特卡罗（MCMC），但其近似误差往往是未知的。本文从均值、众数、方差、预测密度和库尔贝克-莱布勒散度等方面推导了VB对线性高斯型多元方程回归的逼近误差。我们的研究结果表明，VB近似后验均值完美。揭示了影响后验方差和模态低估幅度的因素。重要的是，我们证明了VB准确地估计预测密度。
2019-03-02 cs.LG econ.EM stat.CO
A new algorithm for structural restrictions in Bayesian vector autoregressions
一个全面的方法推理向量自回归（VAR）使用符号和其他结构的限制。简化形式的VAR扰动由几个公共因素驱动，结构识别约束可以以参数约束的形式并入其载荷中。吉布斯采样器推导出，允许简化形式的参数和结构的限制，有效地在一个步骤中进行采样。所提出的方法的一个关键好处是，它允许治疗参数估计和结构推理作为一个联合问题。另一个好处是，该方法可以扩展到具有多个冲击的大型VAR，并且可以扩展到适应非线性，不对称和许多其他有趣的经验特征。使用合成数据实验，并通过使用基于符号限制的识别重新审视金融因素在经济波动中的作用，探索新的推理算法的优良性能。
2022-06-14 econ.EM stat.AP
Subspace Shrinkage in Conjugate Bayesian Vector Autoregressions
使用大型数据集的宏观经济学家经常面临使用大型向量自回归（VAR）或因子模型的选择。在本文中，我们开发的方法结合使用子空间收缩前两者。子空间先验朝着一类函数收缩，而不是直接迫使模型的参数朝着某个预先指定的位置。我们开发了一种共轭VAR先验，它向因子模型定义的子空间收缩。我们的方法允许估计收缩的强度以及因子的数量。在建立了我们提出的先验的理论属性后，我们进行了模拟，并将其应用于美国宏观经济数据。使用模拟，我们表明，我们的框架成功地检测到的因素的数量。在涉及大型宏观经济数据集的预测实践中，我们发现将VAR与使用我们的先验知识的因子模型相结合可以改善预测。
2021-07-16 econ.EM stat.AP
Sparse Bayesian vector autoregressions in huge dimensions
我们建立了一个具有多维随机波动率的贝叶斯向量自回归（VAR）模型，该模型能够处理大量的多维信息集。引入三个功能，以允许可靠的估计模型。首先，我们假设VAR中的简化形式误差具有因子随机波动率结构，允许有条件的逐方程估计。其次，我们应用最近开发的全局-局部收缩先验的VAR系数治愈灾难的维度。第三，我们利用最近的创新，有效地从高维多变量高斯分布采样。这使得基于模拟的完全贝叶斯推断可行的维数是大的，但时间序列长度是中等。我们展示了我们的方法在广泛的模拟研究的优点，并将该模型应用于美国的宏观经济数据，以评估其预测能力。
2019-12-04 econ.EM stat.AP stat.CO
Forecasting with Bayesian Panel Vector Autoregressions Using the R Package bpvars
International Labour Organization（国际劳工组织）；University of Melbourne（墨尔本大学）
提出bpvars R包，通过贝叶斯层次面板VAR模型和缺失观测处理方法，实现对动态面板数据的高效预测与评估。
2026-06-15 econ.EM stat.CO
Forecasts with Bayesian vector autoregressions under real time conditions
本文研究了预测性能指标的敏感性，采取实时与伪样本外的角度来看。我们使用美国（US）和欧元区（EA）的月度年份，并估计一组具有恒定和时变参数（TVP）和随机波动率（SV）的不同大小的向量自回归（VAR）模型。我们的研究结果表明，点和密度预测的模型性能的相对顺序的差异取决于是否实时数据或截断的最终年份在伪样本模拟用于评估预测。没有明显优于规格为美国或EA跨变量类型和预测范围可以确定，虽然较大的模型，具有TVP似乎是受影响最小的缺失值和数据修订。我们发现，无论是为美国还是EA制作预测，业绩指标都存在重大差异。
2020-04-10 econ.EM stat.AP
Bayesian Median Autoregression for Robust Time Series Forecasting
本文提出了一种用于时间序列预测的贝叶斯中值自回归模型。所提出的方法利用时变分位数回归在中位数，有利地继承中位数回归的鲁棒性，而广泛使用的均值为基础的方法。贝叶斯分位数回归中的拉普拉斯似然方法的启发，BayesMAR通过将高斯误差改变为拉普拉斯，采用与自回归模型具有相同结构的参数模型，从而为时间序列预测提供了一种简单，鲁棒和可解释的建模策略。我们用马尔可夫链蒙特卡罗估计模型参数。除了贝叶斯模型选择方法外，贝叶斯模型平均法用于解释模型不确定性，包括自回归顺序中的不确定性。所提出的方法进行了说明，使用模拟和实际数据的应用。对美国宏观经济数据预测的应用表明，与所选择的基于均值的替代方案相比，BayesMAR在包括点预测和概率预测的各种损失函数下具有良好的预测性能。所提出的方法是通用的，可以用来补充丰富的一类方法，建立在自回归模型。
2020-12-05 econ.EM stat.AP stat.ME
The dynamic impact of monetary policy on regional housing prices in the US: Evidence based on factor-augmented vector autoregressions
在这项研究中，兴趣集中在住房价格对美国货币政策冲击反应的区域差异上。我们通过使用因子增强向量自回归（FAVAR）模型分析大都市地区的月度房价数据来解决这个问题。贝叶斯模型估计是基于吉布斯抽样与正常伽玛收缩先验的自回归系数和因素负荷，而货币政策冲击被确定使用高频意外周围的政策公告作为外部工具。实证结果表明，货币政策行动通常有相当大的和显着的积极影响，区域住房价格，揭示了不同的幅度和持续时间。东海岸和西海岸各州的地区受到的影响最大，特别是加利福尼亚州、亚利桑那州和佛罗里达州。
2018-02-16 econ.EM
Time-Varying Identification of Structural Vector Autoregressions
本文提出一种贝叶斯异方差马尔可夫切换结构向量自回归模型，通过数据驱动的时变识别和排除性限制选择，利用时变波动性识别结构冲击，实证支持美国货币政策冲击识别的时变性。
2025-02-27 econ.EM
A Flexible Mixed-Frequency Vector Autoregression with a Steady-State Prior
本文提出了一种适用于混合频率数据的贝叶斯向量自回归（VAR）模型。我们的模型是基于VAR的均值调整参数化，并允许一个明确的“稳定状态”（无条件的手段）包括变量的先验。根据文献中的最新发展，我们讨论了模型的扩展，提高了建模方法的灵活性。这些扩展包括一个分层收缩前的稳态参数，并使用随机波动模型异方差。我们把建议的模型用于预测评估使用美国数据组成的10个月和3个季度的变量。结果表明，预测能力通常受益于使用混合频率的数据，并可以获得改善的月度和季度变量。我们还发现，稳态先验一般提高了预测的准确性，并通过随机波动率的异方差会计通常提供了额外的改进，虽然不是所有变量。
2019-11-20 econ.EM
Partial Identification of Structural Vector Autoregressions with Non-Centred Stochastic Volatility
Guangdong University of Foreign Studies（广东外语外贸大学）；University of Melbourne（墨尔本大学）
本文提出在贝叶斯结构向量自回归中采用非中心化随机波动率参数化，以实现冲击的部分识别，并通过蒙特卡洛实验和财政应用证明该方法能精确估计结构参数且结果稳健。
2025-10-02 econ.EM stat.AP
srvar-toolkit: A Python Implementation of Shadow-Rate Vector Autoregressions with Stochastic Volatility
srvar-toolkit 是一个用于处理利率下限问题的Python工具包，结合贝叶斯向量自回归和随机波动率模型，提供多种统计方法和灵活的配置选项。
2025-12-22 econ.EM stat.CO
Vector autoregression models with skewness and heavy tails
由于经济环境的不确定性变化，经济衰退和危机期间的宏观经济下滑很难用高斯结构性冲击来解释。有证据表明，宏观经济变量的分布是倾斜的和厚尾的。在本文中，我们通过扩展向量自回归（VAR）模型来解释宏观经济变量的多变量分布的更现实的假设，从而为文献做出贡献。我们提出了一个一般类的广义双曲斜学生的t分布与随机波动率的VAR模型中的误差项，使我们能够考虑偏度和重尾。提供了使用吉布斯采样器进行贝叶斯推断和模型选择的工具。在实证研究中，我们提出了偏态和重尾的月度宏观经济变量的证据。分析还给出了一个明确的信息，即在经济衰退和危机期间，为了更好地预测，应该考虑偏度。
2021-05-24 econ.EM stat.AP
Measuring international uncertainty using global vector autoregressions with drifting parameters
本文研究了国际宏观经济不确定性冲击的时变影响。我们使用一个全球性的向量自回归规范漂移系数和因素随机波动的错误，共同模拟六个经济体。通过估计驱动潜在因素的创新方差的标量来内生地构建不确定性的度量，该标量也包含在过程的均值中。为了实现正则化，我们使用贝叶斯技术进行估计，并引入一组分层的全局-局部先验。采用的先验知识使模型以具有同方差误差的恒定参数规范为中心，但如果似然信息建议，则允许时间变化。此外，我们假设各经济体的系数是相似的，但提供了足够的灵活性，通过分层的国家特定的特质。结果表明，所有国家都受到不确定性冲击的明显实际和金融影响，但各经济体之间和时间上存在差异。
2019-12-17 econ.EM stat.AP
Quantile Vector Autoregression without Crossing
Melbourne Business School, the University of Melbourne（墨尔本商学院，墨尔本大学）；School of Political Science and Economics, Waseda University（早稻田大学政治经济学院）；Booth School of Business, the University of Chicago（芝加哥大学布斯商学院）
本文提出了一种无交叉的分位数向量自回归模型（SQVAR），通过转换自回归结构为简单形以保持分位数单调性，并引入SCAD惩罚和BIC准则以提高模型选择和冲击响应分析的性能。
2026-07-14 econ.EM stat.ME
A Design Concept of Forecasting Software for Normalized Vector Autoregressions with Fat Tails and Stochastic Volatility
School of Economics and Trade, Guangdong University of Foreign Studies（广东外语外贸大学经济贸易学院）；Department of Economics, University of Melbourne（墨尔本大学经济学系）
该研究设计了一套R软件包，结合C++效率与R便利性，实现多种高级计量模型，用于宏观经济预测，可提升预测表现，助力相关原创研究。
2026-08-31 econ.EM stat.CO
Identification and Inference Under Narrative Restrictions
我们认为结构向量自回归服从“叙述限制”，这是不平等的限制功能的结构性冲击在特定时期。这些限制提出了新的问题有关的识别和推理，目前没有频率论的程序进行推理，在这些模型。我们提出了一个解决方案，是有效的从贝叶斯和频率的角度来看：1）形式化的识别问题下的叙述限制; 2）纠正现有的功能，（单一先验）贝叶斯方法，可能会扭曲推断;（3）提出一个强有力的（多重先验）贝叶斯方法，用于评估和消除这些模型中由于可能性具有平坦性而产生的后验敏感性区域;（4）证明了稳健贝叶斯方法具有渐近频率论的有效性。我们通过估计美国货币政策在各种叙述限制下的效果来说明我们的方法。
2021-02-12 econ.EM
Fast Two-Stage Variational Bayesian Approach to Estimating Panel Spatial Autoregressive Models with Unrestricted Spatial Weights Matrices
本文提出快速两阶段变分贝叶斯算法估计无约束面板空间自回归模型，采用Dirichlet-Laplace先验挖掘空间关系，经实验验证长短面板均适用，还首次实现无约束稀疏大协方差矩阵的VB估计，并实证发现欧元区南北国家主权债券溢出行为差异显著。
2023-08-21 econ.EM
Fast and Accurate Variational Inference for Large Bayesian VARs with Stochastic Volatility
我们提出了一个新的变分近似的联合后验分布的对数波动的背景下，大型贝叶斯VAR。与现有的基于局部近似的方法相比，新的建议提供了一个全局近似，考虑到联合分布的整个支持。在一个蒙特卡罗研究中，我们表明，新的全球近似是一个数量级更准确的比现有的替代品。我们说明了所提出的方法与应用程序的96个变量的VAR随机波动率来衡量全球银行网络的连通性。
2022-06-16 econ.EM
Efficient variational approximations for state space models
针对状态空间模型现有变分贝叶斯估计不准或计算不可行的问题，本文提出适用于闭式测量密度与指数族状态转移的快速准确变分近似，并在多元 Skellam 随机波动率和时变参数 VAR 模型中验证。
2023-06-02 econ.EM stat.CO
Variational Bayes and non-Bayesian Updating
该研究提出变分贝叶斯可作为一类流行非贝叶斯更新模型的微观基础，为非贝叶斯更新行为提供了贝叶斯视角的理论支撑。
2024-05-21 econ.EM econ.TH
Comparing Stochastic Volatility Specifications for Large Bayesian VARs
具有各种形式随机波动率的大型贝叶斯向量自回归在经验宏观经济学中越来越受欢迎。从业者的一个主要困难是选择最合适的随机波动率规格为他们的特定应用。我们开发贝叶斯模型比较方法-基于边际似然估计，结合条件蒙特卡罗和自适应重要性抽样-选择各种随机波动率规格。所提出的方法也可以用来选择一个适当的收缩之前的VAR系数，这是一个关键组成部分，以避免过度拟合在高维设置。使用美国不同维度的季度数据，我们发现Cholesky随机波动率和因子随机波动率都优于常见的随机波动率规范。然而，他们的优异表现，主要是由于更灵活的先验，适应交叉变量收缩。
2022-08-28 econ.EM stat.ME
Approximate Bayesian inference and forecasting in huge-dimensional multi-country VARs
面板向量自回归（PVAR）是分析多国数据集的常用工具。然而，估计参数的数量可能是巨大的，导致计算和统计问题。在本文中，我们开发了快速贝叶斯方法估计PVAR使用集成旋转高斯近似。我们利用国内信息往往比国际信息更重要的事实，并相应地对系数进行分组。快速近似被用来估计后者，而前者估计精度使用马尔可夫链蒙特卡罗技术。我们使用一个巨大的世界经济模型来说明，它可以快速产生有竞争力的预测。
2022-02-09 econ.EM stat.AP stat.ML
Fast and Order-invariant Inference in Bayesian VARs with Non-Parametric Shocks
本文针对VAR模型中冲击的非高斯性，提出基于狄利克雷过程混合的加性误差结构，实现大型VAR中计算快速且顺序不变的贝叶斯非参数推断，并在金融危机和疫情期间展现出显著优势。
2023-05-26 econ.EM stat.ME
Quasi Black-Box Variational Inference with Natural Gradients for Bayesian Learning
Aarhus University（奥胡斯大学）
我们开发了一种适合复杂模型中贝叶斯学习的优化算法。我们的方法依赖于一般黑盒框架内的自然梯度更新，以便在有限的模型特定推导的情况下进行有效的训练。它适用于类指数族变分后验分布，我们广泛讨论高斯的情况下，更新有一个相当简单的形式。我们的准黑盒变分推断（QBVI）框架是很容易适用于广泛的一类贝叶斯推断问题，是简单的实现，因为更新的变分后不涉及梯度的模型参数，也没有规定的费舍尔信息矩阵。我们开发QBVI后协方差阵在不同的假设下，讨论其强大的和可行的实施细节，并提供了一些现实世界的应用程序来证明其有效性。
2022-12-12 cs.LG econ.EM stat.ML
Variational Inference for GARCH-family Models
Aarhus University（奥胡斯大学）
本文针对GARCH族模型贝叶斯估计常用蒙特卡洛采样的现状，探讨变分推断的替代可行性，经大规模实验验证其是校准良好且具竞争力的贝叶斯学习方法。
2023-10-05 cs.LG econ.EM stat.ML
