.png){kind=icon}
返回
Large Bayesian matrix autoregressions
.png){kind=icon}
PRE
AI
DOI：10.1016/j.jeconom.2025.105955.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高维矩阵值时间序列在经济学和金融学中日益普遍。典型例子包括大规模跨区域面板和动态经济网络。随着矩阵维度的增长，基于向量自回归（通过将矩阵值数据向量化实现）的常规方法变得计算上不可行。我们引入一类大样本贝叶斯矩阵自回归（BMARs），能够处理时变波动率、非高斯误差和COVID-19异常值。为解决参数激增问题，我们针对MAR系数提出了明尼苏达型收缩先验。我们开发了一种统一的估计方法，该方法在高维度下具有良好的可扩展性。这些新的BMARs的实证相关性通过一个包含美国50个州每个州6个宏观经济时间序列（共300个时间序列）的州级数据集进行了说明。
期刊
IF:
4
论文数:
5.2K
被引数:
3.0W
机构
暂无机构信息
引用论文
.png){kind=icon}
UK Regional Nowcasting Using a Mixed Frequency Vector Auto-Regressive Model with Entropic Tilting
OAAI
OAAI分享收藏分享收藏
查看更多内容