基于大数据分位数回归的宏观经济尾部风险非线性特征
计量经济学
2023-09-25 v2
摘要
对 GDP 的极端变动进行建模与预测向来十分困难，而选择合适的协变量及可能的非线性形式对于获得精确预测至关重要。本文关注于在分位数回归模型中使用大型数据集来预测美国 GDP 增长的conditional分布。为捕捉可能的非线性，我们纳入若干非线性设定。所得模型将具有极高维度，因此我们依赖一组收缩先验。由于马尔可夫链蒙特卡洛估计在这些维度下变得缓慢，我们采用对系数与潜变量后验分布的快速变分贝叶斯近似。我们发现所提模型集合能产出精确预测，这些增益在尾部尤为显著。使用高斯过程来近似模型的非线性成分进一步改善了良好表现，尤其在右尾。
引用
@article{arxiv.2301.13604,
title = {Nonlinearities in Macroeconomic Tail Risk through the Lens of Big Data Quantile Regressions},
author = {Jan Prüser and Florian Huber},
journal= {arXiv preprint arXiv:2301.13604},
year = {2023}
}