如何在VAR模型中进行联合贝叶斯推断？

本文探讨了在贝叶斯向量自回归（VAR）模型中进行联合贝叶斯推断的方法。文章指出，传统的点估计方法在处理跨多个变量和时间跨度的同时推断时，会显著低估脉冲响应的不确定性。文章评估了两种最近提出的联合推断方法的表现：sup-t估计器和min-max估计器，并提出了校准程序以确保它们达到预期的名义概率覆盖。

核心观点：

• 传统的点估计方法在需要进行联合推断时，会显著低估不确定性。
• 联合推断方法，如sup-t估计器和min-max估计器，能够更准确地反映不确定性。
• 联合推断方法在处理跨多个变量和时间跨度的同时推断时，能够提供更可靠的推断结果。

关键数据和研究结论：

• 模拟实验表明，传统的点估计方法在需要进行联合推断时，覆盖率显著低于名义覆盖率。
• sup-t估计器能够达到预期的名义覆盖率，而min-max估计器的表现取决于所使用的损失函数。
• 校准后的min-max估计器能够达到预期的覆盖率，并且与sup-t估计器相比，误差带更紧。
• 联合推断方法能够更好地保留结构参数的联合分布，从而更准确地描述脉冲响应的形状和协动性。
• 财政乘数的联合推断结果表明，联合推断方法能够揭示比传统方法更早、更强的财政政策冲击效应。
• 在通货膨胀和GDP增长的预测中，联合推断方法能够更有效地总结不确定性。

文章还强调了以下几点：

• 联合推断方法的误差带通常比传统方法更宽，但这并不意味着应该忽视联合推断的重要性。
• 选择合适的损失函数对于min-max估计器的性能至关重要。
• 联合推断方法可以应用于更广泛的领域，例如预测和风险管理。
• 模拟实验结果表明，贝叶斯推断能够很好地保留结构参数的联合分布。