Markov-Switching Three-Pass Regression Filter
马尔可夫切换三遍回归滤波器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：摘要直接研究载荷随马尔可夫状态变化的高维因子模型，并应用于宏观活动预测，因而对应因子模型、预测及结构变化方向。
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…
马尔可夫切换三遍回归滤波器
- 研究问题
- 当高维因子模型的载荷随状态切换而变化时，如何保持估计与推断的可实施性，并用于经济活动和双边汇率预测？
- 方法与思路
- 作者将线性三遍回归滤波器扩展为马尔可夫切换形式，使参数可随马尔可夫过程变化，并通过模拟及两类预测应用评估方法。
- 材料陈述的贡献
- 摘要称该方法适用于截面维度较大的数据，估计与推断较为直接；载荷不稳定时模拟表现较好，经济活动与汇率预测具有竞争力。
- 阅读关注点
- 阅读全文时应核对状态数、载荷切换与因子识别的设定、三遍回归的估计步骤，以及模拟设计、预测基准和计算成本比较。
- 阅读边界
- 摘要未说明状态识别条件、算法复杂度或预测差异的统计显著性；高维可实施性与预测竞争力仍需结合样本规模和模型设定判断。
原文摘要
We introduce a new approach for the estimation of high-dimensional factor models with regime-switching factor loadings by extending the linear three-pass regression filter to settings where parameters can vary according to Markov processes. The new method, denoted as Markov-switching three-pass regression filter (MS-3PRF), is suitable for datasets with large cross-sectional dimensions, since estimation and inference are straightforward, as opposed to existing regime-switching factor models where computational complexity limits applicability to few variables. In a Monte Carlo experiment, we study the finite sample properties of the MS-3PRF and find that it performs favorably compared with alternative modeling approaches whenever there is structural instability in factor loadings. For empirical applications, we consider forecasting economic activity and bilateral exchange rates, finding that the MS-3PRF approach is competitive in both cases. Supplementary materials for this article are available online.