論文の概要: Approximate Bayesian inference and forecasting in huge-dimensional multi-country VARs

• arxiv url: http://arxiv.org/abs/2103.04944v1
• Date: Mon, 8 Mar 2021 18:02:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-10 20:27:47.203715
• Title: Approximate Bayesian inference and forecasting in huge-dimensional multi-country VARs
• Title（参考訳）: 大次元多国VARにおける近似ベイズ推定と予測
• Authors: Martin Feldkircher, Florian Huber, Gary Koop, Michael Pfarrhofer
• Abstract要約: パネルベクトル自動回帰モデルは、マクロ経済予測と構造分析のための一般的なツールです。 非常に柔軟な方法で国間の流出を可能にします。 推定されるパラメータの数は、過度なパラメータ化の懸念につながる可能性がある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Panel Vector Autoregressive (PVAR) model is a popular tool for macroeconomic forecasting and structural analysis in multi-country applications since it allows for spillovers between countries in a very flexible fashion. However, this flexibility means that the number of parameters to be estimated can be enormous leading to over-parameterization concerns. Bayesian global-local shrinkage priors, such as the Horseshoe prior used in this paper, can overcome these concerns, but they require the use of Markov Chain Monte Carlo (MCMC) methods rendering them computationally infeasible in high dimensions. In this paper, we develop computationally efficient Bayesian methods for estimating PVARs using an integrated rotated Gaussian approximation (IRGA). This exploits the fact that whereas own country information is often important in PVARs, information on other countries is often unimportant. Using an IRGA, we split the the posterior into two parts: one involving own country coefficients, the other involving other country coefficients. Fast methods such as approximate message passing or variational Bayes can be used on the latter and, conditional on these, the former are estimated with precision using MCMC methods. In a forecasting exercise involving PVARs with up to $18$ variables for each of $38$ countries, we demonstrate that our methods produce good forecasts quickly.
• Abstract（参考訳）: パネルベクトルオートレグレッシブ(PVAR)モデルは、非常に柔軟な方法で国間の流出を可能にするため、マルチカントリーアプリケーションでマクロ経済予測と構造分析のための一般的なツールです。 しかし、この柔軟性は、推定されるパラメータの数が過剰パラメータ化の懸念につながる可能性があることを意味します。 本論文で使用されていたホースホウのようなベイズ的局所的縮小前処理はこれらの懸念を克服できるが、高い次元では計算不可能となるマルコフ連鎖モンテカルロ法(mcmc)の使用が必要である。 本稿では、統合回転ガウス近似(IRGA)を用いてPVARを推定する計算効率の高いベイズ法を提案する。 これは、独自の国情報はPVARでしばしば重要であるが、他の国に関する情報はしばしば重要ではないという事実を利用しています。 IRGAを使用して、後部を2つの部分に分けます。1つは自国係数、もう1つは他国係数です。 近似メッセージパッシングや変動ベイなどの高速メソッドは後者で使用することができ、条件付きで、前者はMCMC法を使用して精度で推定される。 3800ドルの国ごとに最大18ドルの変数を持つpvarを含む予測演習では、我々の手法が迅速に優れた予測を生成することを実証する。

関連論文リスト

• Sample-efficient Learning of Infinite-horizon Average-reward MDPs with General Function Approximation [53.17668583030862]
  一般関数近似の文脈において,無限水平平均逆マルコフ決定過程(AMDP)について検討する。 最適化最適化(LOOP)と呼ばれる新しいアルゴリズムフレームワークを提案する。 我々は LOOP がサブ線形 $tildemathcalO(mathrmpoly(d, mathrmsp(V*)) sqrtTbeta )$ regret を達成することを示す。
  論文  参考訳（メタデータ） (2024-04-19T06:24:22Z)
• Nowcasting with Mixed Frequency Data Using Gaussian Processes [0.0]
  混合データサンプリング(MIDAS)回帰のための機械学習手法を開発した。 我々はガウス過程(GP)を用いて、構造的および非構造的MIDAS変種で入力空間を圧縮する。
  論文  参考訳（メタデータ） (2024-02-16T11:03:07Z)
• Calibrated One Round Federated Learning with Bayesian Inference in the Predictive Space [27.259110269667826]
  フェデレートラーニング(FL)では、クライアント間で分散されたデータセット上でモデルをトレーニングする。 小さくてノイズの多いデータセットは一般的であり、よく校正されたモデルの必要性を強調している。 予測後部の混合と積を補間するベイズFLアルゴリズムである$beta$-Predictive Bayesを提案する。
  論文  参考訳（メタデータ） (2023-12-15T14:17:16Z)
• MuyGPs: Scalable Gaussian Process Hyperparameter Estimation Using Local Cross-Validation [1.2233362977312945]
  本稿では,新しいGPハイパーパラメータ推定法であるMuyGPを提案する。 MuyGPsは、データの最も近い隣人構造を利用する事前のメソッドの上に構築される。 提案手法は, 解法と予測値の平均二乗誤差の両方において, 既知の競合よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-29T18:10:21Z)
• SLOE: A Faster Method for Statistical Inference in High-Dimensional Logistic Regression [68.66245730450915]
  実用データセットに対する予測の偏見を回避し、頻繁な不確実性を推定する改善された手法を開発している。 私たちの主な貢献は、推定と推論の計算時間をマグニチュードの順序で短縮する収束保証付き信号強度の推定器SLOEです。
  論文  参考訳（メタデータ） (2021-03-23T17:48:56Z)
• A Bayesian Federated Learning Framework with Online Laplace Approximation [144.7345013348257]
  フェデレートラーニングは、複数のクライアントが協力してグローバルに共有されたモデルを学ぶことを可能にする。 クライアント側とサーバ側の両方の後方部を近似するために,オンラインラプラス近似を用いた新しいFLフレームワークを提案する。 提案手法の利点を実証し,いくつかのベンチマークで最新の結果を得た。
  論文  参考訳（メタデータ） (2021-02-03T08:36:58Z)
• Efficient semidefinite-programming-based inference for binary and multi-class MRFs [83.09715052229782]
  分割関数やMAP推定をペアワイズMRFで効率的に計算する手法を提案する。 一般のバイナリMRFから完全多クラス設定への半定緩和を拡張し、解法を用いて再び効率的に解けるようなコンパクトな半定緩和を開発する。
  論文  参考訳（メタデータ） (2020-12-04T15:36:29Z)
• Fast Bayesian Estimation of Spatial Count Data Models [0.0]
  シミュレーション問題ではなく最適化問題として変分ベイズ(VB)を導入する。 VB法は、観測されていないパラメータと空間依存性を持つ負二項モデルにおける後部推論のために導出される。 VBアプローチは、シミュレーションと経験的研究において、通常の8コアプロセッサ上でのMCMCの約45倍から50倍高速である。
  論文  参考訳（メタデータ） (2020-07-07T10:24:45Z)
• High-dimensional macroeconomic forecasting using message passing algorithms [0.0]
  この仕様における推論は、係数の高次元ベクトルを縮小するベイジアン階層的先行法を用いて進行する。 一般化近似メッセージパッシング(GAMP)アルゴリズムはアルゴリズムの複雑さが低く、簡単に並列化可能である。
  論文  参考訳（メタデータ） (2020-04-23T23:10:04Z)
• Fast and Robust Comparison of Probability Measures in Heterogeneous Spaces [62.35667646858558]
  本稿では, アンカー・エナジー (AE) とアンカー・ワッサースタイン (AW) 距離を紹介する。 我々の主な貢献は、素案実装が立方体となる対数四重項時間でAEを正確に計算するスイープラインアルゴリズムを提案することである。 AE と AW は,一般的な GW 近似の計算コストのごく一部において,様々な実験環境において良好に動作することを示す。
  論文  参考訳（メタデータ） (2020-02-05T03:09:23Z)
• Parameter Space Factorization for Zero-Shot Learning across Tasks and Languages [112.65994041398481]
  本稿では,ニューラルパラメータの空間に対するベイズ生成モデルを提案する。 タスク言語の組み合わせから得られたデータに基づいて、そのような潜伏変数よりも後部を推測する。 我々のモデルは、最先端のゼロショットの言語間転送手法よりも、同等か良い結果が得られる。
  論文  参考訳（メタデータ） (2020-01-30T16:58:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。