Time-Varying Vector Autoregressions: Efficient Estimation, Random Inertia and Random Mean
Notice bibliographique
Résumé
Time-varying VAR models have become increasingly popular and are now widely used for policy analysis and forecast purposes. They constitute fundamental tools for the anticipation and analysis of economic crises, which represent rapid shifts in dynamic responses and shock volatility. Yet, despite their flexibility, time-varying VARs remain subject to a number of limitations. On the theoretical side, the conventional random walk assumption used for the dynamic parameters appears excessively restrictive. It also conceals the potential heterogeneities existing between the dynamic processes of different variables. On the application side, the standard two-pass procedure building on the Kalman filter proves excessively complicated and suffers from low efficiency. Based on these considerations, this paper contributes to the literature in four directions: i) it introduces a general time-varying VAR model which relaxes the standard random walk assumption and defines the dynamic parameters as general auto-regressive processes with variable- specific mean values and autoregressive coefficients. ii) it develops an estimation procedure for the model which is simple, transparent and efficient. The procedure requires no sophisticated Kalman filtering methods and reduces to a standard Gibbs sampling algorithm. iii) as an extension, it develops efficient procedures to estimate endogenously the mean values and autoregressive coefficients associated with each variable-specific autoregressive process. iv) through a case study of the Great Recession for four major economies (Canada, the Euro Area, Japan and the United States), it establishes that forecast accuracy can be significantly improved by using the proposed general time-varying model and its extensions in place of the traditional random walk specification.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».