Learning, forecasting and structural breaks
学习、预测与结构突变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：摘要明确将参数结构突变纳入预测密度，并应用于宏观时间序列，直接涉及预测、结构变化和时间序列分析。
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
学习、预测与结构突变
- 研究问题
- 当模型参数可能发生不可预测的变化时，如何在下一期预测中纳入新突变风险，并推断最近一次突变的位置？
- 方法与思路
- 作者利用贝叶斯学习与模型比较构造预测密度，将下次观测前发生突变的可能性纳入，并生成最近突变的后验分布。
- 材料陈述的贡献
- 摘要称，该方法同时处理未来突变风险和近期突变推断，讨论合理预测先验的重要性，并通过宏观时间序列应用展示用途。
- 阅读关注点
- 应核对突变发生机制、参数变化的先验、预测密度构造，以及先验敏感性和宏观应用中的预测评价标准。
- 阅读边界
- 所给 Crossref 摘要未说明突变模型的具体条件、应用序列或预测改进幅度，不能据此判断各类突变下的普遍有效性。
原文摘要
Abstract We provide a general methodology for forecasting in the presence of structural breaks induced by unpredictable changes to model parameters. Bayesian methods of learning and model comparison are used to derive a predictive density that takes into account the possibility that a break will occur before the next observation. Estimates for the posterior distribution of the most recent break are generated as a by‐product of our procedure. We discuss the importance of using priors that accurately reflect the econometrician's opinions as to what constitutes a plausible forecast. Several applications to macroeconomic time‐series data demonstrate the usefulness of our procedure. Copyright © 2008 John Wiley & Sons, Ltd.