随着大数据时代的到来，贝叶斯方法已经在人工智能、机器学习、数据挖掘和模式识别等学术界和工业界诸多领域取得重要突破和迅速发展。格里·库普、迪米特里斯·克罗比利斯著的《实证宏观经济学(贝叶斯多元时间序列方法)》简洁明晰地阐述了贝叶斯方法在VAR模型、状态空间模型、随机波动率模型、动态因子模型、TVP-VAR模型、FAVAR模型、TVP-FAVAR模型等主流实证宏观模型中的应用，并着重介绍了贝叶斯统计计算中的马尔科夫链蒙特卡罗模拟方法(MCMC)以及最新发展的贝叶斯随机搜寻模型选择方法(SSVS)。作者还提供了书中所有案例的Matlab代码，便于读者学习模仿。本书可供宏观经济学和计量经济学相关领域的研究者参考使用，也可以作为统计学、经济学和管理科学与工程相关专业高年级本科生、硕士研究生和博士研究生的辅助教材。

宏观经济学的实证研究者经常使用多变量时间序列模型。例如，VAR模型、因子增广型VAR模型以及这些模型的时变参数形式（包括具有多元随机波动率的变体形式）。这些模型有大量的参数，因此可能会出现过度参数化问题。贝叶斯方法已成为解决这一问题越来越普遍的手段之一。在格里·库普、迪米特里斯·克罗比利斯著的《实证宏观经济学(贝叶斯多元时间序列方法)》中，我们将讨论VAR模型、因子增广型VAR模型和这些模型时变参数的扩展形式，并展示在这些模型中贝叶斯推断是如何进行的。除了最简单的VAR模型外，贝叶斯推断需要使用为状态空间模型开发的马尔科夫链蒙特卡洛模拟方法，在本书中，我们将具体介绍这些算法。本书重点面向宏观经济学的实证研究者，并就如何在实证中使用这些模型和方法等方面为其提供建议和实证示例。本书的相关网站提供了在这些模型中实施贝叶斯推断的Matlab代码。

第1章 引言

第2章 贝叶斯VAR模型

 2.1 简介和符号

 2.2 先验分布

 2.3 实证示例：VAR模型的预测

第3章 贝叶斯状态空间模型和随机波动率

 3.1 简介和符号

 3.2 正态线性状态空间模型

 3.3 非线性状态空间模型

第4章 TVP-VAR模型

 4.1 同方差TVP-VAR模型

 4.2 带有随机波动率的TVP-VAR模型

第5章 因子模型

 5.1 介绍

 5.2 动态因子模型

 5.3 因子增广型VAR模型（FAVAR模型）

 5.4 TVP-FAVAR模型

 5.5 因子模型的实证示例

第6章 结论

附录A

附录B

附录C

附录D

参考文献

译后记