Bayesian inference for nonlinear structural time series models
非线性结构时间序列模型的贝叶斯推断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：题名明确研究结构时间序列推断，摘要同时给出新古典增长与持续习惯资产定价应用。
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…
关注这篇论文的作者
非线性结构时间序列模型的贝叶斯推断
- 研究问题
- 非线性结构模型的状态扰动条件分布可能具有多个峰时，如何提高似然推断效率并减少达到既定精度所需的粒子数？
- 方法与思路
- 作者提出聚焦结构模型近似解中马尔可夫状态扰动的粒子滤波，并设计快速近似多峰条件分布的方法。
- 材料陈述的贡献
- 摘要称，方法用于新古典增长模型和持续习惯资产定价模型；相较替代程序，在给定精度下可使用更少粒子。
- 阅读关注点
- 应核对结构模型求解误差、扰动提议分布的多峰近似、似然与后验计算步骤，以及固定精度下粒子数比较的标准。
- 阅读边界
- 所给出版社摘要未说明模型参数、先验设定、精度指标或粒子减少幅度，不能据此判断更广泛模型中的计算优势。
原文摘要
We consider efficient methods for likelihood inference applied to structural models. In particular, we introduce a particle filter method which concentrates upon disturbances in the Markov state of the approximating solution to the structural model. A particular feature of such models is that the conditional distribution of interest for the disturbances is often multimodal. We provide a fast and effective method for approximating such distributions. We estimate a neoclassical growth model using this approach. An asset pricing model with persistent habits is also considered. The methodology we employ allows many fewer particles to be used than alternative procedures for a given precision.