High-dimensional conditionally Gaussian state space models with missing data
含缺失数据的高维条件高斯状态空间模型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：摘要涉及宏观混频 VAR、动态因子模型和周度 GDP 估计，直接对应时间序列、因子及即时预测方向。
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
含缺失数据的高维条件高斯状态空间模型
- 研究问题
- 条件高斯状态空间模型面对复杂缺失模式、大量缺失值和混频观测时，如何高效抽样，并支持宏观因子提取及高频率经济估计？
- 方法与思路
- 作者利用缺失数据给定观测数据后的联合高斯分布，以及条件精度矩阵的稀疏结构，加速大型状态空间模型中的缺失数据抽样。
- 材料陈述的贡献
- 摘要称提出高效采样方法，并展示混合季度、月度和周度数据的周度 GDP 估计，以及非平衡月度数据中的随机波动动态因子提取。
- 阅读关注点
- 应核对条件高斯化所依赖的潜变量、稀疏精度矩阵的构建、混频观测约束，以及复杂缺失模式下的速度与抽样表现。
- 阅读边界
- 仅据所给 RePEc 出版社摘要，缺失机制和计算提升幅度未说明；周度 GDP 估计不等于已验证预测准确性，也不能推断版本变化。
原文摘要
We develop an efficient sampling approach for handling complex missing data patterns and a large number of missing observations in conditionally Gaussian state space models. Two important examples are dynamic factor models with unbalanced datasets and large Bayesian VARs with variables in multiple frequencies. A key observation underlying the proposed approach is that the joint distribution of the missing data conditional on the observed data is Gaussian. Furthermore, the inverse covariance or precision matrix of this conditional distribution is sparse, and this special structure can be exploited to substantially speed up computations. We illustrate the methodology using two empirical applications. The first application combines quarterly, monthly and weekly data using a large Bayesian VAR to produce weekly GDP estimates. In the second application, we extract latent factors from unbalanced datasets involving over a hundred monthly variables via a dynamic factor model with stochastic volatility.