Bayesian Estimates of Equation System Parameters: An Application of Integration by Monte Carlo
方程系统参数的贝叶斯估计：蒙特卡洛积分的应用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：摘要涉及一般方程系统的贝叶斯计算及小型宏观模型，未明确时间序列、VAR、因子等给定细分，故暂不分类。
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
方程系统参数的贝叶斯估计：蒙特卡洛积分的应用
- 研究问题
- 如何在方程系统的结构参数空间中使用蒙特卡洛积分，估计结构式与简化式参数的后验矩，并使贝叶斯方法适用于中等规模模型？
- 方法与思路
- 作者结合先验密度、似然和贝叶斯公式，在结构参数空间进行蒙特卡洛抽样；将短长期行为及外部长期比率信息用于小型宏观模型。
- 材料陈述的贡献
- 摘要称该方法允许较灵活的先验选择，运算量不必随参数数目爆炸增长，并展示宏观模型的似然轮廓与部分边际后验密度估计。
- 阅读关注点
- 应核对抽样分布及积分权重、后验矩存在的条件、结构式到简化式的映射，以及外部比率如何进入先验和数值精度如何评估。
- 阅读边界
- 摘要未说明抽样算法、计算复杂度界、后验敏感性或模型识别条件；小型宏观模型应用不足以验证中等规模模型中的普遍计算表现。
原文摘要
textabstractMonte Carlo (MC) is used to draw parameter values from a distribution defined on the structural parameter space of an equation system. Making use of the prior density, the likelihood, and Bayes' Theorem it is possible to estimate posterior moments of both structural and reduced form parameters. The MC method allows a rather liberal choice of prior distributions. The number of elementary operations to be preformed need not be an explosive function of the number of parameters involved. The method overcomes some existing difficulties of applying Bayesian methods to medium size models. The method is applied to a small scale macro model. The prior information used stems from considerations regarding short and long run behavior of the model and form extraneous observations on empirical long term ratios of economic variables. Likelihood contours for several parameter combinations are plotted, and some marginal posterior densities are assessed by MC.