The Estimation of Dynamic Bivariate Mixture Models
动态二元混合模型的估计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。
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：摘要仅说明动态二元混合模型的估计方法及采样器修正，未交代经济变量或金融应用，无法据此确定所列细分领域。
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
动态二元混合模型的估计
- 研究问题
- 同一动态二元混合模型中，贝叶斯 MCMC 与高效重要性抽样下的最大似然估计为何出现明显差异，修正采样器能否解释这种差异？
- 方法与思路
- 作者修正 Watanabe 所用 multimove 采样器中的错误，并用修正后的采样器重做其分析，与 Liesenfeld 和 Richard 的估计比较。
- 材料陈述的贡献
- 摘要称，修正采样器后重新完成原研究的全部分析，所得估计接近高效重要性抽样的最大似然结果，说明原采样错误影响了估计。
- 阅读关注点
- 阅读全文时应核对原采样器错误的位置、修正如何影响抽样，以及复算和方法比较是否使用相同模型、数据、先验和数值设置。
- 阅读边界
- 摘要未说明错误的技术细节、估计接近的程度或蒙特卡洛误差；结果相近本身不能证明两种方法在所有设定下具有相同性能。
原文摘要
Watanabe estimated the dynamic bivariate mixture models introduced by Tauchen and Pitts and modified by Andersen using a Bayesian method via Markov chain Monte Carlo techniques. Based on a maximum likelihood method via efficient importance sampling, Liesenfeld and Richard obtained estimates that are significantly different from those of Watanabe. This note corrects the error in the multimove sampler used by Watanabe and reproduces all analyses in the work of Watanabe using a corrected multimove sampler. The estimates using the correct multimove sampler are found to be close to those obtained by Liesenfeld and Richard.