Dating and forecasting turning points by Bayesian clustering with dynamic structure: a suggestion with an application to Austrian data
基于动态结构贝叶斯聚类的转折点定年与预测：奥地利应用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：题名与摘要明确涉及奥地利转折点预测、大型面板及马尔可夫转换动态时间序列。
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…
关注这篇论文的作者
基于动态结构贝叶斯聚类的转折点定年与预测：奥地利应用
- 研究问题
- 如何利用大型面板中不同序列的动态信息，识别历史经济转折点并预测未来转折点，同时保持跨数据发布版本的结果稳定？
- 方法与思路
- 作者按时间序列动态特征进行贝叶斯分组，再以动态结构连接各组，区分领先与同步序列，并在分组概率先验中加入序列特定信息。
- 材料陈述的贡献
- 摘要称引入序列特定先验信息后，结果对数据版本较稳健；预测评价也显示，带动态结构的马尔可夫转换面板相对所比规格表现良好。
- 阅读关注点
- 应核对组数与先验的确定方式、领先和同步组的识别机制，以及数据版本划分、转折点判定标准和预测评价的比较基准。
- 阅读边界
- 摘要未说明样本区间、预测期限、评价指标或优势幅度，不能判断其他国家的适用性；本条仅依据所给Crossref版本摘要。
原文摘要
Abstract The information contained in a large panel dataset is used to date historical turning points and to forecast future ones. We estimate groups of series with similar time series dynamics and link the groups with a dynamic structure. The dynamic structure identifies a group of leading and a group of coincident series. Robust results across data vintages are obtained when series‐specific information is incorporated in the design of the prior group probability distribution. The forecast evaluation confirms that the Markov switching panel with dynamic structure performs well when compared to other specifications. Copyright © 2009 John Wiley & Sons, Ltd.