Measuring business cycles with a dynamic Markov switching factor model: an assessment using Bayesian simulation methods
动态马尔可夫转换因子模型的商业周期测度：贝叶斯模拟评估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：摘要以宏观共同因子解释时间序列动态，并通过马尔可夫状态转换识别周期转折，涉及因子模型与状态变化。
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
动态马尔可夫转换因子模型的商业周期测度：贝叶斯模拟评估
- 研究问题
- 如何用具有马尔可夫状态转换的共同因子描述宏观变量动态、识别商业周期转折点，并比较转换与非转换设定？
- 方法与思路
- 作者对八国重要宏观变量使用动态转换因子模型，以MCMC估计潜在因子、状态路径和参数，并用模拟滤波与贝叶斯因子评估模型。
- 材料陈述的贡献
- 摘要称，后验平均状态概率给出的周期转折日期接近既有文献，贝叶斯因子证据支持状态转换模型，并可开展预测密度诊断。
- 阅读关注点
- 核对各国模型如何设定、因子与状态的识别、先验和MCMC收敛，以及转折点定年规则和贝叶斯因子的计算。
- 阅读边界
- 摘要未说明八国具体名单、数据期、先验或模型比较数值；定年接近既有结果，并不足以确认实时周期判断或预测优势。
原文摘要
A Markov switching common factor is used to drive a dynamic factor model for important macroeconomic variables in eight countries. Bayesian estimation of the model is based on Markov chain Monte Carlo simulation methods which yield inferences about the unobservable path of the common factor, the latent variable of the state process and all model parameters. Additionally, simulation based filtering provides us with samples from the prediction density that can be used for model diagnostics and specification tests. The mean posterior state probabilities are used to date business cycle turning points that follow quite closely previous datings reported in the literature. Moreover, we test the Markov switching against a no-switching specification by means of a Bayes factor. The evidence proves to be quite favorable for the Markov switching model.