Access

You are not currently logged in.

Access JSTOR through your library or other institution:

login

Log in through your institution.

Journal Article

Sparse Graphical Vector Autoregression: A Bayesian Approach

Daniel Felix Ahelegbey, Monica Billio and Roberto Casarin
Annals of Economics and Statistics
No. 123/124, SPECIAL ISSUE ON RECENT DEVELOPMENTS IN FINANCIAL ECONOMETRICS (December 2016), pp. 333-361
Published by: GENES on behalf of ADRES
DOI: 10.15609/annaeconstat2009.123-124.0333
Stable URL: http://www.jstor.org/stable/10.15609/annaeconstat2009.123-124.0333
Page Count: 29
Were these topics helpful?
See somethings inaccurate? Let us know!

Select the topics that are inaccurate.

Cancel
  • More info
  • Add to My Lists
  • Cite this Item
Sparse Graphical Vector Autoregression: A Bayesian Approach
Preview not available

Abstract

This paper considers a sparsity approach for inference in large vector autoregressive (VAR) models. The approach is based on a Bayesian procedure and a graphical representation of VAR models. We discuss a Markov chain Monte Carlo algorithm for sparse graph selection, parameter estimation, and equation-specific lag selection. We show the efficiency of our algorithm on simulated data and illustrate the effectiveness of our approach in forecasting macroeconomic time series and in measuring contagion risk among financial institutions. JEL: C11, C15, C52, C55, E17, G01, G17 / KEY WORDS: Large VAR, Model Selection, Prior Distribution, Sparse Graphical Models. RÉSUMÉ. Nous proposons une approche fondée sur l'idée de « sparsité » pour l'inférence dans les modèles autorégressifs vectoriels (VAR) de grande dimension. L'approche est basée sur une procédure Bayésienne et une représentation graphique des modèles VAR. Nous discutons les propriétés de l'algorithme MCMC pour la sélection du graphique sparse, l'estimation des paramètres, et la sélection des retards spécifiques de chaque équation. Nous montrons l'efficacité de notre algorithme sur des données simulées et nous illustrons l'efficacité de notre approche pour la prévision des séries chronologiques macro-économiques et pour la mesure du risque de contagion financière.

Page Thumbnails