論文の概要: A fully nonlinear structural vector autoregressive model identified via independent innovation analysis

• arxiv url: http://arxiv.org/abs/2608.03486v1
• Date: Tue, 04 Aug 2026 11:22:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.1558
• Title: A fully nonlinear structural vector autoregressive model identified via independent innovation analysis
• Title（参考訳）: 独立イノベーション分析による完全非線形構造ベクトル自己回帰モデル
• Authors: Savi Virolainen,
• Abstract要約: 完全に非線形な構造ベクトル自己回帰フレームワークを開発する。 任意のコンポーネント単位の可逆変換までの衝撃を識別する。 次に、その識別が、置換や成分的変化によってさらに強化されていることを示す。 経験的応用は、アメリカの工業生産が真の原油価格ショックに対する反応の対称性を研究している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We develop a fully nonlinear structural vector autoregressive framework in which the contemporaneous structural mapping may be nonlinear and non-additive. Identification is achieved by exploiting variation in the conditional distributions of the mutually independent structural shocks induced by an observed exogenous variable. Specifically, a general contrastive learning framework that makes use of this variation together with the assumed exponential-family structure is employed to recover the shocks. Existing independent innovation analysis results identify such shocks only up to arbitrary componentwise invertible transformations, which is generally insufficient for structural econometric analysis. We strengthen this result by imposing a structured exponential-family specification for the conditional shock distributions. With the imposed sufficient statistics, the remaining ambiguity is reduced to a one-parameter transformed-scale map for each shock. We then show that, under a logistic specification used for the natural parameters, the identification is further strengthened up to permutation and componentwise sign changes. Once the shocks have been recovered, the fully nonlinear structural vector autoregression can be estimated using feed-forward neural networks, motivated by their universal approximation capabilities. The empirical application studies asymmetries in the responses of U.S. industrial production to the real oil price shock. We find modest asymmetries with respect to the sign of the shock and state of the economy. The accompanying R package iiasvar implements the introduced methods.
• Abstract（参考訳）: 我々は, 共起構造写像が非線形かつ非付加的であるような, 完全に非線形な構造ベクトル自己回帰フレームワークを開発する。 同定は、観測された外因性変数によって誘導される相互独立な構造的衝撃の条件分布の変化を利用して達成される。 具体的には、この変動と推定指数族構造を併用した一般的なコントラスト学習フレームワークを用いて衝撃を回復する。 既存の独立イノベーション分析の結果は、そのようなショックを任意のコンポーネント単位の可逆変換にのみ識別するが、これは一般的に構造的計量分析には不十分である。 本研究では, 条件付き衝撃分布の指数関数仕様を定式化することにより, この結果を補強する。 十分な統計を課すと、残りの曖昧さは各ショックに対して1パラメータの変換スケールマップに縮小される。 次に、自然パラメータに使用されるロジスティックな仕様の下で、その識別は置換や成分的符号の変化によってさらに強化されることを示す。 衝撃が回復すると、完全な非線形構造ベクトル自己回帰をフィードフォワードニューラルネットワークを用いて推定することができる。 経験的応用は、アメリカの工業生産が真の原油価格ショックに対する反応の対称性を研究する。 経済の衝撃と状態の兆候について、控えめな非対称性を見いだす。 付随するRパッケージiiasvarは、導入されたメソッドを実装している。

関連論文リスト

• Learning Bidirectional Causal Interactions with Heteroscedastic Neural Networks [1.0356094515229846]
  本稿では,ヘテロセダスティックなニューラル同時方程式推定器であるSEM-DNNを提案する。 外部機器を使わずに相互構造相互作用を学習する。 シーレアルスキャナーデータへの応用は、同時期の価格-セールフィードバックを研究する方法を示している。
  論文  参考訳（メタデータ） (2026-07-24T13:53:58Z)
• Factorize to Generalize: Retrieval-Guided Invariant-Dynamic Decomposition for Time Series Forecasting [64.2640656619583]
  時系列基礎モデル (TSFM) は, 大規模事前学習と検索強化予測により, ゼロショット予測性能が向上した。 本稿では時系列予測のための検索誘導不変動的分解フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-24T07:31:55Z)
• Thermodynamic Response Functions in Singular Bayesian Models [0.12183405753834557]
  非特定方向を商化する可観測代数を定式化し、構造的に意味のある順序パラメータを特異なモデルで構築する。 以上の結果から,熱力学的応答理論は,特異ベイズ学習における複雑性,予測変数,構造的再編成を解釈する自然な枠組みを提供すると考えられる。
  論文  参考訳（メタデータ） (2026-03-05T18:50:20Z)
• CURVE: Learning Causality-Inspired Invariant Representations for Robust Scene Understanding via Uncertainty-Guided Regularization [30.613712415224473]
  CURVEは、変動不確実性モデリングと不確実性誘導構造正規化を統合し、高分散関係を抑制するフレームワークである。 具体的には,環境依存的変動から不変な相互作用力学を解離させ,スパースかつ領域安定なトポロジを促進させる。 実験により,CURVEをゼロショット転送と低データのsim-to-real適応で評価し,領域安定なスパーストポロジの学習能力を検証するとともに,分布シフト下でのリスク予測を支援するための信頼性の高い不確実性推定を行う。
  論文  参考訳（メタデータ） (2026-01-28T08:15:56Z)
• Random-Matrix-Induced Simplicity Bias in Over-parameterized Variational Quantum Circuits [72.0643009153473]
  本稿では,観測可能な期待値とパラメータ勾配の両方がシステムサイズに指数関数的に集中するHaar型普遍性クラスに,表現的変分アンサーゼが入ることを示す。 その結果、そのような回路によって誘導される仮説クラスは、近点関数の狭い族に高い確率で崩壊する。 テンソル-ネットワークベースおよびテンソル-ハイパーネットワークパラメータ化を含むテンソル構造VQCは、ハール型普遍性クラスの外にある。
  論文  参考訳（メタデータ） (2026-01-05T08:04:33Z)
• Generalized Nonnegative Structured Kruskal Tensor Regression [22.300007523556022]
  一般化非負構造クルスカル回帰(NS-KTR)は、新しいテンソル回帰フレームワークである。 モード固有のハイブリッド正規化と非負性制約による解釈性と性能を向上させる。
  論文  参考訳（メタデータ） (2025-09-24T08:51:38Z)
• AlphaFold Database Debiasing for Robust Inverse Folding [58.792020809180336]
  Debiasing Structure AutoEncoder (DeSAE)を導入し、故意に破損したバックボーンジオメトリからネイティブライクなコンフォーメーションを再構築することを学ぶ。 推測において、DeSAEをAFDB構造に適用すると、逆折り畳み性能を著しく向上する偏りのある構造が生成される。
  論文  参考訳（メタデータ） (2025-06-10T02:25:31Z)
• Nonparametric Factor Analysis and Beyond [14.232694150264628]
  非無視設定における潜伏変数を識別するための一般的なフレームワークを提案する。 生成モデルは,非無視ノイズの存在下においても,ある部分多様体不確定性まで同定可能であることを示す。 また、対応する推定手法を開発し、様々な合成および実世界の設定で検証した。
  論文  参考訳（メタデータ） (2025-03-21T05:45:03Z)
• Score-based Causal Representation Learning with Interventions [54.735484409244386]
  本稿では,潜在因果変数を間接的に観察する際の因果表現学習問題について検討する。 目的は、 (i) 未知の線形変換(スケーリングまで)を回復し、 (ii) 潜在変数の下の有向非巡回グラフ(DAG)を決定することである。
  論文  参考訳（メタデータ） (2023-01-19T18:39:48Z)
• Discovering Latent Causal Variables via Mechanism Sparsity: A New Principle for Nonlinear ICA [81.4991350761909]
  ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。 潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
  論文  参考訳（メタデータ） (2021-07-21T14:22:14Z)
• Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
  本稿では、因果的観点からの包括的ミニマックス分析について述べる。 最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。 本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
  論文  参考訳（メタデータ） (2021-07-05T09:07:29Z)

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。