Structural Periodic Vector Autoregressions
针对季节性调整可能扭曲数据信息的问题,提出结构性周期向量自回归(SPVARs)直接对原始数据周期性建模,提供新识别方案、脉冲响应分析框架及渐近理论,并证明依赖季节性调整会丢失周期性信息。
2025-08-11 econ.EM
Uncertain Short-Run Restrictions and Statistically Identified Structural Vector Autoregressions
本文提出一种结合统计识别与可能无效的短期零约束的收缩估计方法,通过数据驱动决定是否继续收缩,模拟和实证表明该方法能提高估计精度并识别出驱动油价的信息冲击。
2024-04-03 econ.EM
Efficient estimation of structural VARs with higher-order moments
TU Dortmund(多特蒙德工业大学);European University Viadrina Frankfurt(欧洲法兰克福维也纳德拉大学)
本研究针对小样本下基于高阶矩的广义矩方法估计结构向量自回归时的估计不稳定与缩放偏差问题,提出利用独立冲击假设估计有效加权矩阵和方差,并引入连续更新的缩放项,通过蒙特卡洛模拟验证了显著改进。
2026-10-28 econ.EM
From Vector Autoregressions to AI-based Time Series Forecasting: A Review
Washington University in St. Louis(华盛顿大学圣路易斯分校);University of Bristol(布里斯托大学)
该综述围绕时间序列预测展开,聚焦基于人工智能的三大进展,通过给定过去情况下未来的条件分布与向量自回归传统相联系,围绕高维度、非平稳性和非线性挑战展开,指出现代方法虽有进展但缺相关工具,还概述了计量经济学工具重要的开放问题。
2026-07-17 econ.EM
Robust Estimation in Network Vector Autoregression with Nonstationary Regressors
本文研究了带有非平稳回归元的网络向量自回归模型的识别与估计,通过非随机邻接矩阵刻画网络依赖性,利用 local-to-unity 参数化捕捉持续性,并采用 IVX 型估计量在双重渐近机制下实现稳健估计。
2024-01-08 econ.EM
Variational inference for large Bayesian vector autoregressions
提出一种新颖的变分贝叶斯方法,通过直接在回归系数矩阵上设定分层收缩先验来估计高维VAR模型,显著提升了预测的统计与经济价值。
2023-06-30 econ.EM
The causal interpretation of panel vector autoregressions
University of Rome Tor Vergata(罗马托尔维加塔大学)
本文探讨面板向量自回归的因果解释,提出基于残差假设识别处理效应的方法,并举例说明其应用。
2025-10-27 econ.EM
Fast and Efficient Bayesian Analysis of Structural Vector Autoregressions Using the R Package bsvars
University of Melbourne(墨尔本大学)
本文介绍R包bsvars,其采用前沿计量技术与C++代码实现快速高效的贝叶斯SVAR分析,具备灵活先验与多种分析功能,区别于现有同类R包。
2026-08-21 econ.EM
Bayesian Inference for Structural Vector Autoregressions Identified by Markov-Switching Heteroskedasticity
本研究构建了马尔可夫区制转移异方差识别的结构向量自回归模型的贝叶斯推断方法,推导识别约束并通过解析推导提升计算效率,实证验证了利率反应函数含货币变量的模型更优。
2018-11-20 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
Identification, estimation and inference in Panel Vector Autoregressions using external instruments
University of Rome Tor Vergata(罗马托尔维加塔大学)
本文提出利用外源性工具识别面板向量自回归模型,并通过实证研究估计动态财政乘数,发现乘数高于1且影响持续
2026-11-04 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
Hierarchical Regularizers for Mixed-Frequency Vector Autoregressions
混合频率向量自回归(MF-VAR)对不同频率下记录的变量之间的动态进行建模。然而,随着每个低频周期的系列和高频观测的数量增加,MF-VAR遭受“维数灾难”。我们通过正则化器来抑制这种诅咒,该正则化器允许分层稀疏模式,根据它们所包含的信息的新近性来优先考虑系数的包含。此外,我们调查的存在下,通过稀疏估计MF-VAR误差协方差矩阵的临近预报的关系。我们研究了美国经济MF-VAR中的预测格兰杰因果关系,并构建了一个符合GDP增长的指标。本文的补充材料可在线获得。
2022-03-18 econ.EM stat.ME
Time-Varying Model Averaging of Multi-layer Network Vector Autoregressions
Faculty of Business Administration, Asia-Pacific Academy of Economics and Management(商学院,亚太经济管理学院);University of Macau(澳门大学);Department of Economics, University of Macau(澳门大学经济系);Academy of Mathematics and Systems Science, Chinese Academy of Sciences(中国科学院数学与系统科学研究院);China School of Banking and Finance, University of International Business and Economics(对外经济贸易大学中国金融发展研究院)
提出一种灵活的时变多层网络VAR模型框架,通过惩罚模型平均方法确定时变最优组合,并证明渐近最优性,扩展共形预测构建预测带,实证于CPI通胀预测。
2026-06-25 econ.EM
Origins and Nature of Macroeconomic Instability in Vector Autoregressions
University of Pennsylvania(宾夕法尼亚大学)
本文通过理论分析揭示了向量自回归中宏观经济不稳定性主要由少数结构性冲击驱动,并通过模型改进了预测效果。
2025-12-23 econ.EM
Distributional Vector Autoregression: Eliciting Macro and Financial Dependence
向量自回归是经验宏观经济学和金融学中理解多变量时间序列之间动态相关性的重要工具。在这项研究中,我们扩大了向量自回归的范围,通过纳入多元分布回归框架,并引入了分布脉冲响应函数,提供了一个全面的动态异质性。我们提出了一个简单而灵活的估计方法,并建立其渐近性质弱相关假设。我们的实证分析考察了美国GDP增长和金融状况的条件联合分布,重点是全球金融危机。研究结果表明,紧缩的金融环境导致GDP增长与金融环境的多模态条件联合分布,宽松的金融环境显著影响长期GDP增长,而全球金融危机期间改善GDP增长对金融环境的影响有限。
2023-03-09 econ.EM stat.AP stat.ME
Regularized Estimation of High-Dimensional Vector AutoRegressions with Weakly Dependent Innovations
在理解高维模型中稀疏正则化过程的性质方面已经有了相当大的进展。在时间序列中,它主要限于高斯自回归或混合序列。本文研究了具有重尾、弱相依新息的弱稀疏向量自回归模型的LASSO估计的预言性质,几乎没有条件异方差的假设。与现有文献相比,我们的新息过程在中心条件协方差阵上满足一个$L^1$混合型条件。该条件覆盖作为特定示例的$L^1$ -NED序列和强($α$ -)混合序列。
2021-06-12 econ.EM math.ST stat.ML
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
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
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
Identification Verification for Structural Vector Autoregressions with Sparse Heterogeneous Markov Switching Heteroskedasticity
School of Economics and Trade, Guangdong University of Foreign Studies(广东外语外贸大学经济贸易学院);University of Melbourne(墨尔本大学)
本文提出一种新的结构向量自回归模型,通过稀疏异质马尔可夫切换异方差性机制提升识别精度和预测性能,验证了异方差性对识别的影响。
2026-03-17 econ.EM
Non-linear dimension reduction in factor-augmented vector autoregressions
本文提出在因子增强向量自回归中引入非线性降维以分析经济冲击,发现该方法在数据高波动期预测表现良好,且能有效处理 COVID-19 带来的异常值,在货币政策与不确定性冲击实证中结果可靠。
2023-09-09 econ.EM stat.ML
Bayesian Mixed-Frequency Quantile Vector Autoregression: Eliciting tail risks of Monthly US GDP
及时描述经济和金融体系中的风险在经济政策和私营部门的决策中发挥着至关重要的作用。然而,低频变量的信息含量和条件均值模型的结果只提供了有限的证据来研究这个问题。我们提出了一种新的混合频率分位数向量自回归(MF-QVAR)模型来解决这个问题。受单变量贝叶斯分位数回归文献的启发,在贝叶斯框架下利用多变量非对称拉普拉斯分布来形成似然。一个数据增强的方法,加上一个精确的采样器有效地估计丢失的低频变量在较高的频率下的状态空间表示。所提出的方法使我们能够预测多个感兴趣的变量的条件分位数,并获得高频率的分位数相关的风险措施,从而使及时的政策干预。该模型的主要应用是预测美国GDP的条件分位数,这与风险价值和预期短缺的量化密切相关。
2022-09-05 econ.EM stat.ME
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
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 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
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
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
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
Estimation of Grouped Time-Varying Network Vector Autoregression Models
该研究提出带潜在分组结构的大规模时变网络向量自回归模型,结合凝聚聚类与比值准则估计分组,用分组后局部线性平滑提升估计效率,还适配结构突变场景,经数值验证了有限样本性能。
2024-03-10 econ.EM stat.ME
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
Data-Driven Tuning Parameter Selection for High-Dimensional Vector Autoregressions
针对高维时间序列模型惩罚水平选择缺乏理论指导的问题,本文提出完全数据驱动的Lasso、post-Lasso和square-root Lasso估计量,为线性VAR模型的惩罚选择提供了首个理论解决方案。
2024-12-23 econ.EM math.ST stat.TH
Two Gaussians, Too Many: A bootstrap-based approach to assess identifiability in non-Gaussian structural vector autoregressions
University of Bologna(博洛尼亚大学)
研究非高斯结构向量自回归中识别性问题,提出基于自举法评估条件渐近有效性,通过测量分布差异进行诊断,该方法在多种情况下有效且无预检验偏差,模拟显示其能检测识别失败并保持估计概率覆盖,可验证非高斯识别。
2026-10-15 econ.EM stat.ME