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。

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。

在结构向量自回归分析中，通过异方差识别利益冲击已成为一种标准工具。不幸的是，目前用于建模异方差的方法都有缺点。例如，假设方差变化的已知日期通常是不现实的，而从统计和计算的角度来看，基于GARCH或马尔可夫切换残差的更灵活的模型很难处理。因此，我们提出了一个基于平稳方差变化的模型，该模型是可行的，并且相对容易估计。该模型应用于美国变量的五维系统，以探讨货币政策与股市之间的相互作用。研究发现，如果允许异方差，先前在这种情况下使用的传统识别方案会被数据拒绝。通过异方差确定的冲击与使用传统方法确定的冲击具有不同的经济解释。