[论文解读] Sparse Bayesian vector autoregressions in huge dimensions

Gregor Kastner, Florian Huber|RePEc: Research Papers in Economics|Apr 11, 2017

Monetary Policy and Economic Impact被引用 4

一句话总结

本文提出了一种具有因子随机波动率的稀疏贝叶斯向量自回归（VAR）模型，以实现在高维宏观经济学设定下的可靠估计与预测。通过结合全局-局部收缩先验以实现系数正则化、利用因子随机波动率进行逐方程估计，以及采用高效的马尔可夫链蒙特卡洛（MCMC）抽样方法处理高维正态分布，该方法克服了维度灾难问题，并在高p和中等T条件下实现了完全的贝叶斯推断。

ABSTRACT

We develop a Bayesian vector autoregressive (VAR) model with multivariate stochastic volatility that is capable of handling vast dimensional information sets. Three features are introduced to permit reliable estimation of the model. First, we assume that the reduced-form errors in the VAR feature a factor stochastic volatility structure, allowing for conditional equation-by-equation estimation. Second, we apply recently developed global-local shrinkage priors to the VAR coefficients to cure the curse of dimensionality. Third, we utilize recent innovations to efficiently sample from high-dimensional multivariate Gaussian distributions. This makes simulation-based fully Bayesian inference feasible when the dimensionality is large but the time series length is moderate. We demonstrate the merits of our approach in an extensive simulation study and apply the model to US macroeconomic data to evaluate its forecasting capabilities.

研究动机与目标

• 解决在变量数量（p）相对于样本大小（T）较大时估计高维VAR模型的挑战，这是现代宏观经济学预测中的常见问题。
• 通过应用收缩先验来减少过拟合并提高预测准确性，从而克服VAR估计中的“维度灾难”问题。
• 通过利用条件独立性结构以及高维多变量正态分布抽样技术的最新进展，实现在高维设定下的高效后验计算。
• 构建一个完全的贝叶斯框架，以支持大规模宏观经济学系统中的不确定性量化和模型比较。
• 在真实美国宏观经济数据上展示该模型的预测性能，证明其在高维环境下的鲁棒性和准确性。

提出的方法

• 为简化形式误差引入因子随机波动率结构，实现条件下的逐方程估计，并降低协方差结构的维度。
• 在VAR系数上应用全局-局部收缩先验——特别是狄利克雷-拉普拉斯先验和正态-伽马先验——以诱导稀疏性，并在高维设定下减轻过拟合。
• 利用高维多变量正态分布MCMC抽样的最新进展，即使在高p条件下也能高效模拟后部分布。
• 实施一种完全的贝叶斯推断方案，将收缩先验与因子随机波动率相结合，以保持计算可行性与统计效率。
• 通过利用条件共轭性和分块吉布斯抽样策略，提升高维参数空间中的混合与收敛性能。
• 通过因子结构避免完整协方差矩阵的估计，将波动率参数数量从O(p²)减少到O(kp)，其中k ≪ p，从而确保可扩展性。

实验结果

研究问题

• RQ1 具有因子随机波动率和收缩先验的贝叶斯VAR模型是否能在高维宏观经济学系统中实现可靠估计与预测，即使在高p和中等T条件下？
• RQ2 与经典的明尼苏达先验等传统先验相比，该模型在预测准确性和变量选择性能方面表现如何？
• RQ3 全局-局部收缩先验的使用在多大程度上提升了高维VAR中的估计效率并减少了过拟合？
• RQ4 因子随机波动率结构在简化协方差估计过程的同时，是否有效保持了预测能力？
• RQ5 使用该方法在大规模VAR中实现完全贝叶斯推断的计算可行性如何？

主要发现

• 与标准明尼苏达先验和非稀疏VAR相比，所提出的模型在高维设定下，特别是在样本量适中时，展现出更优的预测准确性。
• 使用全局-局部收缩先验——特别是狄利克雷-拉普拉斯先验——能实现更优的变量选择，并通过将无关系数有效收缩至零，显著提升样本外预测性能。
• 因子随机波动率结构显著降低了估计大协方差矩阵的计算负担，从而实现了可扩展的MCMC抽样。
• 该模型在多个宏观经济学变量（包括GDP、通货膨胀率和利率）的应用中表现出稳健性能，适用于美国数据。
• 高效的MCMC抽样技术使得即使在p超过100时也能实现可靠的后验推断，而这是传统贝叶斯VAR通常难以实现的。
• 实证结果表明，该模型保持了良好的预测密度评分，并能有效捕捉宏观经济数据中的时变波动模式。