Achieving shrinkage in a time-varying parameter model framework
时变参数模型框架中的收缩方法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：摘要明确覆盖时变参数时间序列模型，并包含股票收益的Cholesky随机波动应用。
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…
时变参数模型框架中的收缩方法
- 研究问题
- 在贝叶斯时变参数模型中过度拟合时，如何自动将不必要的时变参数收缩为静态参数，并有效完成后验计算？
- 方法与思路
- 作者对状态过程方差施加双伽马收缩先验，并利用辅助性—充分性交织策略构建高效MCMC，覆盖单变量与多变量时间序列。
- 材料陈述的贡献
- 摘要称，该方法针对时变与静态参数之间的收缩选择，并应用于欧盟地区通胀的广义菲利普斯曲线及DAX指数随机波动模型。
- 阅读关注点
- 应核对过程方差收缩如何对应参数静态化、先验超参数的影响，以及交织策略、过拟合诊断和应用中的后验解释。
- 阅读边界
- 仅据所给出版社摘要，不能认定参数被严格选择为静态或获得普遍预测改善；收缩判据、理论保证和效果数值未说明。
原文摘要
Shrinkage for time-varying parameter (TVP) models is investigated within a Bayesian framework, with the aim to automatically reduce time-varying parameters to static ones, if the model is overfitting. This is achieved through placing the double gamma shrinkage prior on the process variances. An efficient Markov chain Monte Carlo scheme is developed, exploiting boosting based on the ancillarity-sufficiency interweaving strategy. The method is applicable both to TVP models for univariate as well as multivariate time series. Applications include a TVP generalized Phillips curve for EU area inflation modeling and a multivariate TVP Cholesky stochastic volatility model for joint modeling of the returns from the DAX-30 index.