Should I stay or should I go? A latent threshold approach to large‐scale mixture innovation models
该留还是该走？大规模混合创新模型的潜在阈值方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确涉及时变参数 VAR、利率期限结构预测和货币紧缩效应，分别对应时间序列、预测与 VAR 方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
该留还是该走？大规模混合创新模型的潜在阈值方法
- 研究问题
- 如何降低大型贝叶斯时变参数 VAR 中逐系数混合创新的估计负担，并研究利率期限结构预测及货币政策效应的变化？
- 方法与思路
- 作者用依赖冲击绝对大小的潜在阈值过程，近似驱动系数时变的混合指示变量，以简化大型贝叶斯时变参数 VAR 的估计。
- 材料陈述的贡献
- 摘要称算法使计算负担可控，美国利率期限结构预测相对基准有所改进；宏观应用显示货币紧缩效应存在显著时变证据。
- 阅读关注点
- 阅读时应核对阈值近似与原混合创新模型的关系、阈值设定和计算成本，并检查预测基准、评价窗口及货币政策识别方式。
- 阅读边界
- 摘要未说明近似误差、先验、预测指标与政策识别条件；所述应用证据不足以确定算法普遍有效或政策效应的因果解释。
原文摘要
Summary We propose a straightforward algorithm to estimate large Bayesian time‐varying parameter vector autoregressions with mixture innovation components for each coefficient in the system. The computational burden becomes manageable by approximating the mixture indicators driving the time‐variation in the coefficients with a latent threshold process that depends on the absolute size of the shocks. Two applications illustrate the merits of our approach. First, we forecast the US term structure of interest rates and demonstrate forecast gains relative to benchmark models. Second, we apply our approach to US macroeconomic data and find significant evidence for time‐varying effects of a monetary policy tightening.