感兴趣冲击的识别是结构向量自回归（SVAR）建模中的一个核心问题。识别通常通过对冲击的影响或长期影响施加限制或通过考虑脉冲响应的符号限制来实现。在一些文章中，波动性的变化也被用来识别冲击。本研究的重点是后一种装置。综述了通过异方差进行识别的一些可能设置，并讨论了它们的潜力和局限性。考虑了两个详细的例子来说明该方法。
研究了在结构向量自回归分析的背景下，在不同的时变波动率模型之间进行选择的信息准则和残差异方差检验的性能。尽管使用选择标准很难找到真正的波动率模型，但建议使用它们，因为相对于基于研究人员个人偏好任意选择的模型，它们可以显著降低脉冲响应估计的均方误差。异方差检验被发现是决定是否存在时变波动性的有用工具，但不能很好地区分不同类型的波动性变化。通过指定全球原油市场的模型来说明选择方法。
在蒙特卡洛研究中，回顾并比较了由条件异方差识别的结构向量自回归（SVAR）模型的不同自举方法和估计技术。该模型是一个具有广义自回归条件异方差（GARCH）创新的SVAR模型。所考虑的引导方法是野生引导、移动块引导和基于GARCH残差的引导。估计是通过高斯最大似然进行的，这是一种基于单变量GARCH估计的简化过程，也是一种在每次自举复制中不重新估计GARCH参数的方法。研究发现，计算上最有效的方法与计算上要求更高的方法具有竞争力，并且通常在不牺牲覆盖精度的情况下产生最小的置信集。以一个评估美国货币政策的实证模型为例。研究发现，脉冲响应的不同推理方法导致了定性上非常相似的结果。
