Fast and Flexible Bayesian Inference in Time-varying Parameter Regression Models
时变参数回归模型中快速且灵活的贝叶斯推断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：摘要以分层混合模型容纳不同数量的结构突变，并开展多预测变量的通胀预测，直接对应结构变化与宏观预测。
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…
时变参数回归模型中快速且灵活的贝叶斯推断
- 研究问题
- 如何在时变参数回归中灵活表示不同数量的结构突变，并在解释变量较多时提高贝叶斯计算效率及通胀预测表现？
- 方法与思路
- 作者把含 K 个解释变量、T 期观测的模型改写为含 KT 个解释变量的常系数回归，以分层混合表示参数变化，并用奇异值分解计算。
- 材料陈述的贡献
- 摘要称所提方法在人工数据中准确且计算明显更快，通胀预测优于比较方法，并呈现有别于随机游走设定的参数变化模式。
- 阅读关注点
- 核对混合模型如何给时变参数分组、先验与状态数如何设定，以及计算耗时和通胀预测比较采用的样本与基准。
- 阅读边界
- 摘要未说明先验、状态数选择、具体运行时间或预测指标，不能把所述优势推广到所有时变参数模型与宏观预测任务。
原文摘要
In this article, we write the time-varying parameter (TVP) regression model involving K explanatory variables and T observations as a constant coefficient regression model with KT explanatory variables. In contrast with much of the existing literature which assumes coefficients to evolve according to a random walk, a hierarchical mixture model on the TVPs is introduced. The resulting model closely mimics a random coefficients specification which groups the TVPs into several regimes. These flexible mixtures allow for TVPs that feature a small, moderate or large number of structural breaks. We develop computationally efficient Bayesian econometric methods based on the singular value decomposition of the KT regressors. In artificial data, we find our methods to be accurate and much faster than standard approaches in terms of computation time. In an empirical exercise involving inflation forecasting using a large number of predictors, we find our models to forecast better than alternative approaches and document different patterns of parameter change than are found with approaches which assume random walk evolution of parameters.