A Bayesian Approach to Calibration
校准的贝叶斯方法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：摘要聚焦理论模型的贝叶斯校准，商业周期模型仅作演示，未明确对应所列领域细分中的具体方法。
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…
校准的贝叶斯方法
- 研究问题
- 理论模型校准时，如何把深层参数的不确定性传递至模拟数据的统计特征，并通过与实际数据比较来评估模型拟合？
- 方法与思路
- 作者为模型参数指定先验分布，将其映射为模拟数据统计特征的分布，再与经验对应量比较；以 King、Plosser 和 Rebelo 的商业周期模型演示。
- 材料陈述的贡献
- 摘要称，该程序使参数不确定性进入校准评估；在所用商业周期模型中，适度的深层参数先验不确定性提高了模型对实际数据描述的可信程度。
- 阅读关注点
- 阅读全文应核对先验如何选择、哪些统计特征参与比较、模拟与经验不确定性如何处理，以及模型拟合判断对先验设定是否敏感。
- 阅读边界
- 摘要未说明先验形式、比较准则、样本或改善幅度；所述拟合变化来自一个模型的演示，不能据此判断方法的一般有效性或预测表现。
原文摘要
The authors develop a Bayesian approach to calibration which enables the incorporation of uncertainty regarding the parameters of the theoretical model under investigation. Their procedure involves the specification of prior distributions over parameter values, which in turn induce distributions over the statistical properties of artificial data simulated from the model. These distributions are compared with their empirical counterparts in order to assess the model's fit. The business cycle model of R. King, C. Plosser, and S. Rebelo (1988) is used to demonstrate the authors' procedure. They find that modest prior uncertainty regarding deep parameters enhances the plausibility of the model's description of the actual data.