Relevant parameter changes in structural break models
结构突变模型中的相关参数变化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：摘要明确研究时间序列结构突变、AR 与 ARMA 过程，并包含样本外预测比较。
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
结构突变模型中的相关参数变化
- 研究问题
- 结构突变发生时，如何识别实际发生变化的参数，避免把所有参数都设为变化而造成过度参数化，并支持预测？
- 方法与思路
- 作者提出稀疏变点模型，以收缩先验限制相邻突变之间发生变化的参数数量，并开发贝叶斯采样器进行推断。
- 材料陈述的贡献
- 摘要称在 AR、ARMA 与 GARCH 模拟中采样器表现良好；多项实证及样本外预测显示该框架可与近期时变参数方法竞争。
- 阅读关注点
- 应核对变点数量与位置如何确定、先验如何控制变化稀疏性，以及采样诊断、预测比较基准和结果对先验的敏感性。
- 阅读边界
- 仅据所给出版社摘要，不能确定变化检测的误差率或预测优势幅度，也不能认定所有参数变化模式均适合稀疏设定。
原文摘要
Structural break time series models, which are commonly used in macroeconomics and finance, capture unknown structural changes by allowing for abrupt changes to model parameters. However, many specifications suffer from an over-parametrization issue, since typically all parameters have to change when a break occurs. We introduce a sparse change-point model to detect which parameters change over time. We propose a shrinkage prior distribution, which controls model parsimony by limiting the number of parameters that change from one structural break to another. We develop a Bayesian sampler for inference on the sparse change-point model. An extensive simulation study based on AR, ARMA and GARCH processes highlights the excellent performance of the sampler. We provide several empirical applications including an out-of-sample forecasting exercise showing that the Sparse change-point framework compares favorably with other recent time-varying parameter processes.