Bayes model averaging of cyclical decompositions in economic time series
经济时间序列周期分解的贝叶斯模型平均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：摘要围绕可能非平稳的经济时间序列进行随机周期分解，并应用于工业生产与失业序列，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…
关注这篇论文的作者
经济时间序列周期分解的贝叶斯模型平均
- 研究问题
- 在可能非平稳的经济时间序列中，如何灵活分解多个随机周期，并将周期数量的不确定性纳入统计推断？
- 方法与思路
- 作者提出随机周期分解，以贝叶斯模型平均处理周期数量，并通过状态空间方差层级结构的重参数化加速 MCMC。
- 材料陈述的贡献
- 摘要称，该方法提供灵活的周期模型类并加快抽样收敛，在模拟数据、美国工业生产和失业序列中给出相关后验分析。
- 阅读关注点
- 应核对随机周期和非平稳成分的定义、周期数量的先验与模型权重，以及重参数化如何影响抽样效率和收敛诊断。
- 阅读边界
- 仅依据所给 Crossref 摘要；先验设定、收敛改善数值及周期辨识条件未说明，不能确认普遍计算优势或推断版本变化。
原文摘要
Abstract A flexible decomposition of a time series into stochastic cycles under possible non‐stationarity is specified, providing both a useful data analysis tool and a very wide model class. A Bayes procedure using Markov Chain Monte Carlo (MCMC) is introduced with a model averaging approach which explicitly deals with the uncertainty on the appropriate number of cycles. The convergence of the MCMC method is substantially accelerated through a convenient reparametrization based on a hierarchical structure of variances in a state space model. The model and corresponding inferential procedure are applied to simulated data and to cyclical economic time series like US industrial production and unemployment. We derive the implied posterior distributions of model parameters and some relevant functions thereof, shedding light on several key features of economic time series. Copyright © 2006 John Wiley & Sons, Ltd.