Time-Varying Smooth Transition Autoregressive Models
时变平滑转换自回归模型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：摘要明确研究自回归时间序列中的非线性与结构变化，并强调二者的共同建模和区分。
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…
时变平滑转换自回归模型
- 研究问题
- 时间序列中的非线性与结构变化如何同时建模并加以区分，时变平滑转换自回归模型应怎样设定，才能服务于初步诊断和较细致的模型选择？
- 方法与思路
- 作者研究 TV-STAR 模型，提出“特殊—一般—特殊”与“特殊—一般”两种经验设定路径，并通过 Monte Carlo 模拟及美国宏观时间序列应用进行比较。
- 材料陈述的贡献
- 摘要称，两种策略在模拟中不存在全面占优者；前者更适合初步判断非线性或结构变化的重要性，后者更适合细致设定含非线性或时变性质的模型。
- 阅读关注点
- 阅读全文时应核对时间变化与平滑转换分别如何进入模型、二者可区分的条件，以及两种设定策略的检验顺序、选择规则和模拟评价标准。
- 阅读边界
- 所给摘要首句残缺，未提供区分非线性与结构变化所需条件，也未给出模拟及实证的具体结果；策略适用性的陈述不能直接外推到所有序列。
原文摘要
perceived as competing alternatives to linearity. In this article we study the so-called time-varying smooth transition autoregressive (TV-STAR) model, which can be used both for describing simultaneous nonlinearity and structural change and for distinguishing between these features. Two modeling strategies for empirical specification of TV-STAR models are developed. Monte Carlo simulations show that neither of the two strategies dominates the other. A specific-to-general-to-specific procedure is best suited for obtaining a first impression of the importance of nonlinearity and/or structural change for a particular time series. A specific-to-general procedure is most useful in careful specification of a model with nonlinear and/or time-varying properties. An empirical application to a large dataset of U.S. macroeconomic time series illustrates the relative merits of both modeling strategies.