An efficient Bayesian approach to multiple structural change in multivariate time series
多元时间序列多重结构变化的高效贝叶斯方法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：摘要明确研究多元时间序列和 VAR 的多重结构突变，并将估计与预测作为主要任务。
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
多元时间序列多重结构变化的高效贝叶斯方法
- 研究问题
- 如何在向量自回归及其他多元模型中高效估计和预测多重结构突变，并容许不同序列及不同参数出现异质的突变模式？
- 方法与思路
- 作者利用共轭先验构造状态分配变量的高效采样器，引入跨突变学习的层级先验，并允许回归系数与波动参数分别发生突变。
- 材料陈述的贡献
- 摘要称两个应用显示相对基准的改善；七变量宏观应用表明，以单变量突变模型处理各序列异质突变模式具有经验收益。
- 阅读关注点
- 应核对突变数量与位置的设定、层级先验如何共享信息、不同参数突变的关系，以及预测比较的样本划分、指标和基准模型。
- 阅读边界
- 仅依据所给 Crossref 摘要；改善幅度、计算成本与预测评估细节未说明，应用证据不能证明单变量突变模型在所有场景更优。
原文摘要
Summary This paper provides a feasible approach to estimation and forecasting of multiple structural breaks for vector autoregressions and other multivariate models. Owing to conjugate prior assumptions we obtain a very efficient sampler for the regime allocation variable. A new hierarchical prior is introduced to allow for learning over different structural breaks. The model is extended to independent breaks in regression coefficients and the volatility parameters. Two empirical applications show the improvements the model has over benchmarks. In a macro application with seven variables we empirically demonstrate the benefits from moving from a multivariate structural break model to a set of univariate structural break models to account for heterogeneous break patterns across data series.