VARX-L：带外生变量的大型向量自回归的结构化正则化
应用统计
2017-02-28 v4
摘要
向量自回归（VAR）长期以来被证明是建模宏观经济时间序列联合动态以及预测的有效方法。VAR 的一个主要缺点阻碍了其适用性，即其参数化过重：参数空间随所包含序列的数量呈二次增长，迅速耗尽可用的自由度。因此，对于低频、高维的宏观经济数据，使用 VAR 进行预测是难以处理的。然而，经验证据表明，包含更多分量序列的 VAR 往往会产生更准确的预测。允许估计大型 VAR 的传统方法要么倾向于需要特定的主观设定，要么在计算上不可行。此外，随着全球经济日益错综交织，人们对纳入随机、未建模外生变量的影响产生了浓厚兴趣。带外生变量的向量自回归（VARX）将 VAR 扩展以允许包含未建模变量，但它同样面临维度挑战。我们引入了 VARX-L 框架，这是一个结构化的 VARX 模型族，并提供了在高维分析中实现高效估计和准确预测的方法论。VARX-L 将几种著名的标量回归正则化技术适应于向量时间序列背景，以大幅减少 VAR 和 VARX 模型的参数空间。我们还强调了一个引人注目的扩展，该扩展允许向参考模型（例如向量随机游走）收缩。我们在低维和高维宏观经济预测应用以及模拟数据示例中展示了 VARX-L 的有效性。我们的方法可通过公开的 R 包轻松复现。
引用
@article{arxiv.1508.07497,
title = {VARX-L: Structured Regularization for Large Vector Autoregressions with Exogenous Variables},
author = {William Nicholson and David Matteson and Jacob Bien},
journal= {arXiv preprint arXiv:1508.07497},
year = {2017}
}