可下载资源

摘要

这是由于过度拟合以及这些高度参数化模型中不精确的推断所致。对于每个VAR系数，这种新方法自动确定它是稳定的还是随时间变化的。此外，它可用于将不受限制的时变参数VAR收缩到固定VAR。因此，提供了一种简单的方法（概率地）在时变参数模型中施加平稳性。我们通过局部应用证明了该方法的有效性，我们在非常低的利率期间调查结构性冲击对政府支出对美国税收和国内生产总值（GDP）的动态影响。

状态空间模型

允许时间序列模型中的时变系数的流行方法是通过状态空间规范。具体而言，假设ÿ 是Ñ 对因变量的观测向量，X 是Ñ × 上解释变量的观测矩阵，β 是状态向量。然后可以将通用状态空间模型编写为

（1）

结果

我们实施了Gibbs采样器，以获得VECM模型中参数的25,000个后验采样。

BKK采用类似的“标准化”系列的方法，只影响先验标准，只要在后验计算中适当考虑转换即可。或者，可以使用原始系列并使用训练样本来指定先验，虽然这在操作上更加复杂。值得注意的是，我们在SMSS和TVP-SVECM中应用了相同的标准化。

2000年第一季度的税收（虚线）和支出（实线）对1％的支出冲击的中位数冲动响应。

结束语

时变VAR广泛用于通过估计脉冲响应函数来研究结构冲击对关键经济变量的动态影响。然而，由于这些模型是高度参数化的，因此推断通常是不精确的，并且通常难以得出结论。在本文中，我们提出了一种新方法，允许数据决定VAR中的参数是时变的还是不变的，从而允许模型在系数的时间变化很小时自动切换到更简约的规范。通过在状态方程的方差之前引入Tobit，计算许多指标的任务被大大简化。