Sequential Monte Carlo for Noncausal Processes
因果与非因果混合过程的序贯蒙特卡洛估计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：摘要直接研究因果与非因果时间序列过程的估计及阶数选择，符合时间序列方向。
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…
因果与非因果混合过程的序贯蒙特卡洛估计
- 研究问题
- 研究如何对因果与非因果混合模型进行贝叶斯估计，并同时选择两类多项式的阶数及适合数据的误差分布。
- 方法与思路
- 作者采用序贯蒙特卡洛进行贝叶斯估计，结合边际数据密度与贝叶斯信息准则选择模型，并开展模拟和双变量金融序列应用。
- 材料陈述的贡献
- 摘要称该算法可通过并行计算缩短估计时间、降低陷入局部最优的风险，所提选择方法还能共同确定阶数与误差分布。
- 阅读关注点
- 应核对非因果过程的定义与识别条件、序贯权重及采样步骤，并检查模型选择准则、计算成本和模拟比较的设置。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明识别条件及误差分布候选集，不能据此确认普遍性能优势。
原文摘要
This paper proposes a Sequential Monte Carlo approach for the Bayesian estimation of mixed causal and noncausal models. Unlike previous Bayesian estimation methods developed for these models, Sequential Monte Carlo offers extensive parallelization opportunities, significantly reducing estimation time and mitigating the risk of becoming trapped in local minima, a common issue in noncausal processes. Simulation studies demonstrate the strong ability of the algorithm to produce accurate estimates and correctly identify the process. In particular, we propose a novel identification methodology that leverages the Marginal Data Density and the Bayesian Information Criterion. Unlike previous studies, this methodology determines not only the causal and noncausal polynomial orders but also the error term distribution that best fits the data. Finally, Sequential Monte Carlo is applied to a bivariate process containing S$\&$P Europe 350 ESG Index and Brent crude oil prices.