Simultaneous Graphical Dynamic Modeling
联立图式动态建模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：摘要明确涉及多变量时间序列、动态图与因子模型的联系，以及反事实因果分析。
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
联立图式动态建模
- 研究问题
- 如何利用联立图式动态线性模型开展可扩展的多变量时间序列分析，并处理图结构不确定性及反事实分析中的缺失数据？
- 方法与思路
- 作者综述 SGDLM 的贝叶斯滤波与预测，建立其与因子模型的理论联系，并扩展边际似然评估和缺失数据分析方法。
- 材料陈述的贡献
- 摘要称新增理论和方法支持图结构不确定性评估及高维因果时间序列分析，并通过全球宏观序列展示干预后结果评估。
- 阅读关注点
- 应核对动态图与因子模型的对应条件、图结构选择方式，以及缺失数据处理如何构造反事实及其所需的因果识别假设。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实。摘要未说明反事实识别条件和实证数值，贝叶斯结果评估本身不保证因果有效性。
原文摘要
We review theory and methodology of the class of simultaneous graphical dynamic linear models (SGDLMs) that provide flexibility, parsimony and scalability of multivariate time series analysis. Discussion includes core theoretical aspects and summaries of existing Bayesian methodology for forward filtering and forecasting with SGDLMs. The review is complemented by new theory linking dynamic graphical and factor models, and extensions of the Bayesian methodology. This addresses graphical structure uncertainty via model marginal likelihood evaluation, and analysis with missing data relevant to counterfactual analysis. The latter advances the ability to scale causal analysis to higher-dimensional time series. Aspects of the theory and methodology are exemplified in a global macroeconomic time series study with time-varying cross-series relationships and primary interests in potential causal effects. The example highlights the utility of SGDLMs with insights generated by the theoretical structure of these models, and benefits of fully Bayesian assessment of post-intervention outcomes in causal time series studies as in prediction more generally.