Tempered particle filtering
温度递进粒子滤波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：摘要明确研究动态状态空间模型，并以两个DSGE模型为应用，直接对应宏观时间序列方法。
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
温度递进粒子滤波
- 研究问题
- 非线性状态空间模型的粒子滤波精度依赖提议分布；如何改进由状态转移方程生成提议分布的自助粒子滤波？
- 方法与思路
- 作者提出自调节粒子滤波，通过一系列蒙特卡洛步骤构造提议分布，从放大的测量误差方差逐步降至其名义水平。
- 材料陈述的贡献
- 摘要称该滤波产生无偏且一致的似然近似，并在两个DSGE模型应用中，于相同运行时间下比自助粒子滤波更准确。
- 阅读关注点
- 应核对温度序列与自调节规则、似然近似性质成立的条件，以及两个DSGE应用中运行时间和精度比较的具体设计。
- 阅读边界
- 仅据所给出版社摘要，无法判断状态与观测分布的适用限制；摘要未说明理论条件、精度指标或应用之外的表现。
原文摘要
The accuracy of particle filters for nonlinear state-space models crucially depends on the proposal distribution that mutates time t−1 particle values into time t values. In the widely-used bootstrap particle filter, this distribution is generated by the state-transition equation. While straightforward to implement, the practical performance is often poor. We develop a self-tuning particle filter in which the proposal distribution is constructed adaptively through a sequence of Monte Carlo steps. Intuitively, we start from a measurement error distribution with an inflated variance, and then gradually reduce the variance to its nominal level in a sequence of tempering steps. We show that the filter generates an unbiased and consistent approximation of the likelihood function. Holding the run time fixed, our filter is substantially more accurate in two DSGE model applications than the bootstrap particle filter.