Filtering and Smoothing in State-Space Models with Multiple Regimes
多状态状态空间模型的滤波与平滑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：摘要直接涉及状态空间时间序列、状态切换DSGE模型及货币政策状态变化，支持时间序列与结构变化分类。
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…
多状态状态空间模型的滤波与平滑
- 研究问题
- 在状态切换的状态空间模型中，如何改进贝叶斯滤波和潜变量平滑，并在宏观模型中权衡计算速度与估计误差？
- 方法与思路
- 作者提出基于递推的平滑器，在新凯恩斯DSGE模型中搭配GPB1、GPB2与IMM滤波器比较，并应用于美国数据。
- 材料陈述的贡献
- 摘要称模拟中IMM约快于GPB2三倍且精度不低，平滑器进一步减少约25%的误差；美国应用揭示货币政策状态变化。
- 阅读关注点
- 核对递推公式、状态切换和潜变量设定、速度与误差的评价口径，以及美国数据中政策状态变化的识别依据。
- 阅读边界
- 仅据所给OpenAlex在线优先版本摘要；速度与误差增益限于所述模拟，数据和模型细节未提供，不能推断刊本变化。
原文摘要
This paper improves Bayesian filtering techniques in regime-switching state-space models and develops a novel recursion-based smoother for latent variables. The smoother is computationally stable, adaptable to different filters, and easy to implement. We assess its performance in a New Keynesian DSGE model pairing it with three practical filters: the Generalized Pseudo-Bayesian filters of order one (GPB1) and two (GPB2, often referred to as the Kim or Kim–Nelson filter in applied economics), and the Interacting Multiple Model filter (IMM), common in engineering literature but rarely used in economics. The simulation results show that the IMM filter is about three times faster and at least as accurate as the GPB2 filter, while our smoother further reduces errors by approximately 25%. Applied to U.S. data from 1947 to 2023, the IMM filter–smoother pair uncovers important monetary policy regime shifts, including those after COVID-19. This demonstrates the practical relevance of the proposed routines for macroeconomic analysis.