Time-varying parameter MIDAS models: Application to nowcasting US Real GDP
时变参数MIDAS模型：美国实际GDP即时预测应用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：摘要明确研究混频时间序列模型及美国GDP的实时即时预测。
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
时变参数MIDAS模型：美国实际GDP即时预测应用
- 研究问题
- 混频即时预测中，让高频变量的滞后权重与总体影响随时间变化，能否改善美国实际GDP预测及对下行风险的捕捉？
- 方法与思路
- 作者提出时变参数MIDAS框架，对权重与总体影响系数采用线性参数化，并利用月度、周度和日度变量进行实时预测。
- 材料陈述的贡献
- 摘要称时变模型在应用中优于参数不变的对应模型，尤其有助于捕捉下行风险；这属于所给摘要报告的比较结果。
- 阅读关注点
- 应核对时变参数化与估计约束、实时数据版本和发布日期处理、预测评价窗口，以及下行风险表现采用何种评价指标。
- 阅读边界
- 摘要未列出预测误差、统计显著性、具体预测变量或样本窗口；不能据此断言时变模型在所有时期和预测任务中更优。
原文摘要
We introduce a novel time-varying parameter mixed-data sampling (TVP-MIDAS) framework. Specifically, we allow both the MIDAS weights and the coefficients representing the overall impacts of the high-frequency variables to vary over time. This is done by introducing a class of linear parameterizations, which facilitate estimation in settings with a large number of high-frequency predictors. We demonstrate the usefulness of this framework via an application of nowcasting US GDP in real-time using monthly, weekly and daily predictors. The results show that the TVP-MIDAS models produce superior nowcasts, and are particularly effective in capturing the downside risk compared to their time-invariant counterparts.