Choosing Prior Hyperparameters: With Applications to Time-Varying Parameter Models
先验超参数的选择及其在时变参数模型中的应用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：摘要明确讨论用于宏观和金融数据的时变参数模型，并包含随机波动率，直接关联宏观时间序列与金融波动率方法。
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…
先验超参数的选择及其在时变参数模型中的应用
- 研究问题
- 在带随机波动率的时变参数模型中，先验超参数如何影响常见样本规模下的估计，能否通过联合估计减少固定超参数设定的影响？
- 方法与思路
- 作者把先验超参数纳入层级模型，通过完全贝叶斯方法与其余参数联合估计，针对带随机波动率的时变参数模型提出计算可行的方案。
- 材料陈述的贡献
- 摘要称，该方案计算快速且易于实现；在所研究的模型类中，蒙特卡洛实验相较文献中的固定超参数方案显示大幅改进。
- 阅读关注点
- 核对层级模型及超先验设定、超参数与其他参数的联合估计步骤，以及模拟中的样本规模、评价指标和固定超参数比较方案。
- 阅读边界
- 摘要未说明超先验、蒙特卡洛设计、改进所依据的评价指标及计算耗时；模拟结论不能据此推广为对所有时变模型和样本均占优。
原文摘要
Time-varying parameter models with stochastic volatility are widely used to study macroeconomic and financial data. These models are almost exclusively estimated using Bayesian methods. A common practice is to focus on prior distributions that themselves depend on relatively few hyperparameters such as the scaling factor for the prior covariance matrix of the residuals governing time variation in the parameters. The choice of these hyperparameters is crucial because their influence is sizeable for standard sample sizes. In this article, we treat the hyperparameters as part of a hierarchical model and propose a fast, tractable, easy-to-implement, and fully Bayesian approach to estimate those hyperparameters jointly with all other parameters in the model. We show via Monte Carlo simulations that, in this class of models, our approach can drastically improve on using fixed hyperparameters previously proposed in the literature. Supplementary materials for this article are available online.