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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确涉及状态空间时间序列、动态因子模型，以及利用混合频率数据估计周度 GDP。
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
- 高维条件高斯状态空间模型存在大量缺失和复杂缺失模式时，如何高效抽样缺失值，并处理不平衡数据与混合频率变量？
- 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，以及其精度矩阵的稀疏结构加速计算，应用于大型贝叶斯 VAR 和动态因子模型。
- 材料陈述的贡献
- 摘要提出利用稀疏结构的高效抽样方法，并展示混合季度、月度和周度数据生成周度 GDP 估计及不平衡数据潜因子提取。
- 阅读关注点
- 应核对条件高斯分布和稀疏结构如何形成、混合频率观测的映射方式，以及随机波动率模型中的条件化步骤与计算比较。
- 阅读边界
- 来源为 arXiv 预印本，同行评审及期刊接收未经核实；摘要未说明缺失机制、先验和加速幅度，也未提供周度 GDP 估计的误差表现。
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 insight underlying the proposed approach is that the joint distribution of the missing data conditional on the observed data is Gaussian. Moreover, 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.