决策者在决定政策行动时使用了大量变量。因此，希望在用于经济分析的模型中包括大的信息集。在这项调查中，回顾了向量自回归（VAR）模型中解释大变量集信息的方法。这可以通过聚合变量或将参数空间减少到可管理的维度来实现。因子模型减少了变量的空间，而大型贝叶斯VAR模型和面板VAR减少了参数空间。全球VAR采用混合方法。他们聚合变量并使用简约的参数化。所有这些方法都在本次调查中进行了讨论，尽管主要侧重于因子模型。

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。

在传统的结构向量自回归（VAR）模型中，假设模型中变量的数量最多为结构冲击的数量。指出异方差可以用来识别比变量更多的冲击。然而，即使存在异方差，可以识别的冲击数量也是有限的。提供了许多结果，使研究人员能够评估有多少冲击可以从特定形式的异方差中识别出来。