Sparse Bayesian State-Space and Time-Varying Parameter Models
稀疏贝叶斯状态空间与时变参数模型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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确讨论单变量与多变量时间序列中的状态空间和时变参数模型，直接对应时间序列方向。
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…
稀疏贝叶斯状态空间与时变参数模型
- 研究问题
- 在单变量和多变量时变参数模型中，如何通过贝叶斯方差选择区分需要随时间变化的参数与可保持固定的参数？
- 方法与思路
- 本章借助非中心化参数化，将回归变量选择中的连续及离散尖峰厚尾收缩先验用于方差选择，并讨论高效 MCMC。
- 材料陈述的贡献
- 摘要所述贡献是梳理时变参数模型的贝叶斯方差选择方法、相应计算策略，并提供美国通胀建模应用。
- 阅读关注点
- 应核对方差选择与参数动态的对应关系、先验超参数设置、非中心化参数化作用，以及 MCMC 混合和收敛诊断。
- 阅读边界
- 这是预印本章节，不能据此确认同行评审或期刊接收；摘要未给出方法比较、先验敏感性或通胀应用的具体结果。
原文摘要
In this chapter, we review variance selection for time-varying parameter (TVP) models for univariate and multivariate time series within a Bayesian framework. We show how both continuous as well as discrete spike-and-slab shrinkage priors can be transferred from variable selection for regression models to variance selection for TVP models by using a non-centered parametrization. We discuss efficient MCMC estimation and provide an application to US inflation modeling.