Bayesian Analysis of Latent Threshold Dynamic Models
潜在阈值动态模型的贝叶斯分析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：摘要以宏观多元时间序列为应用，讨论动态回归、时变 VAR 及预测，直接对应时间序列与宏观预测方向。
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…
关注这篇论文的作者
潜在阈值动态模型的贝叶斯分析
- 研究问题
- 如何在多元时间序列中让时变参数自适应地变为零，实现随时间调整的变量选择，并用于动态回归、VAR 和波动率建模？
- 方法与思路
- 作者将时变参数与潜在过程相联系，通过阈值化产生零值，以实现动态变量纳入和选择，并在贝叶斯框架下讨论模型设定、分析及预测。
- 材料陈述的贡献
- 摘要称，该框架提供动态稀疏化与变量纳入机制；宏观时间序列应用展示了统计和经济解释方面的收益，并报告预测改善。
- 阅读关注点
- 应核对潜在过程与阈值的设定、先验和后验计算方式，以及动态变量选择如何影响解释，预测改善是否经过适当的样本外比较。
- 阅读边界
- 摘要未说明阈值、先验及后验计算的具体设定，也未给出预测比较对象、误差指标或改善幅度，无法判断适用范围。
原文摘要
We discuss a general approach to dynamic sparsity modeling in multivariate time series analysis. Time-varying parameters are linked to latent processes that are thresholded to induce zero values adaptively, providing natural mechanisms for dynamic variable inclusion/selection. We discuss Bayesian model specification, analysis and prediction in dynamic regressions, time-varying vector autoregressions, and multivariate volatility models using latent thresholding. Application to a topical macroeconomic time series problem illustrates some of the benefits of the approach in terms of statistical and economic interpretations as well as improved predictions. Supplementary materials for this article are available online.