Structural Breaks in Grouped Heterogeneity
分组异质性中的结构突变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：摘要明确结合面板分组异质性、结构突变与行业通胀预测，分别对应宏观面板、结构变化和预测。
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
分组异质性中的结构突变
- 研究问题
- 当面板存在多次结构突变且各阶段具有不同的分组异质性时，如何估计并检验这种结构，以管理预测中的偏差与方差权衡？
- 方法与思路
- 作者提出贝叶斯方法，联合处理面板回归的多重突变和未观测的阶段特定分组异质性，并用于美国行业通胀预测。
- 材料陈述的贡献
- 摘要称，方法能够估计并正式检验上述面板结构；在二十个美国行业的通胀应用中，预测准确性显著优于一系列常用方法。
- 阅读关注点
- 应核对分组与突变的识别、先验设定、检验依据及计算过程，并检查预测窗口、评价指标和基准方法是否公平可比。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要；先验、检验细节和预测改善幅度未说明，行业通胀应用中的优势不能推广为一般预测结论。
原文摘要
Generating accurate forecasts in the presence of structural breaks requires careful management of bias-variance tradeoffs. Forecasting panel data under breaks offers the possibility to reduce parameter estimation error without inducing any bias if there exists a regime-specific pattern of grouped heterogeneity. To this end, we develop a new Bayesian methodology to estimate and formally test panel regression models in the presence of multiple breaks and unobserved regime-specific grouped heterogeneity. In an empirical application to forecasting inflation rates across 20 U.S. industries, our method generates significantly more accurate forecasts relative to a range of popular methods.