Bayesian Markov-Switching Partial Reduced-Rank Regression
贝叶斯马尔可夫转换部分降秩回归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：摘要明确研究时间序列回归关系的状态转换，并包含宏观经济数据应用。
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…
贝叶斯马尔可夫转换部分降秩回归
- 研究问题
- 当响应变量具有不同关系复杂度，且这种分组随时间变化时，如何同时估计低秩结构、非线性关系和持续性的状态转换？
- 方法与思路
- 作者将响应分为低秩线性组和高斯过程非参数组，让分组及秩作为未知参数，并以马尔可夫转换和部分折叠 Gibbs 采样完成推断。
- 材料陈述的贡献
- 摘要称，模型可联合估计分组、秩与状态变化，无需跨维度采样；宏观经济和商品数据应用显示分组及关系复杂度随状态变化。
- 阅读关注点
- 应核对组别、秩和状态的识别方式、先验设定及采样收敛，并检查非线性组的计算成本和应用中支持时变分组的证据。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或接收。摘要未给出先验细节、预测比较或计算规模，也未说明状态变化的经济机制。
原文摘要
Reduced-Rank (RR) regression is a powerful dimensionality reduction technique but it overlooks any possible group configuration among the responses by assuming a low-rank structure on the entire coefficient matrix. Moreover, the temporal change of the relations between predictors and responses in time series induce a possibly time-varying grouping structure in the responses. To address these limitations, a Bayesian Markov-switching partial RR (MS-PRR) model is proposed, where the response vector is partitioned in two groups to reflect different complexity of the relationship. A \textit{simple} group assumes a low-rank linear regression, while a \textit{complex} group exploits nonparametric regression via a Gaussian Process. Differently from traditional approaches, group assignments and rank are treated as unknown parameters to be estimated. Then temporal persistence in the regression function is accounted for by a Markov-switching process that drives the changes in the grouping structure and model parameters over time. Full Bayesian inference is preformed via a partially collapsed Gibbs sampler, which allows uncertainty quantification without the need for trans-dimensional moves. Applications to two real-world macroeconomic and commodity data demonstrate the evidence of time-varying grouping and different degrees of complexity both across states and within each state.