Time Varying Dimension Models
时变维度模型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：摘要围绕宏观时变参数模型与动态混合建模展开，并以美国通胀预测比较为应用，直接对应时间序列与宏观预测方向。
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…
时变维度模型
- 研究问题
- 时变参数模型如何避免参数过多带来的过拟合风险？允许模型维度随时间改变，能否自动选择简约表示并改善宏观通胀预测？
- 方法与思路
- 作者提出模型维度可随时间变化的动态混合模型，使其选择更简约的时变参数表示或在不同简约表示间切换，并给出贝叶斯推断方法。
- 材料陈述的贡献
- 摘要称，所提模型会收缩至简约设定，并可在不同简约表示间切换；美国通胀预测应用中，作者报告其表现优于许多常用基准。
- 阅读关注点
- 核对维度变化具体指变量纳入、参数时变状态还是其他结构，并检查动态混合机制、先验收缩、计算步骤及通胀预测比较设计。
- 阅读边界
- 摘要未说明模型切换规则、先验设定、预测样本与基准清单；报告的预测优势限于所述应用，不能据此认定其普遍优于固定维度模型。
原文摘要
Time varying parameter (TVP) models have enjoyed an increasing popularity in empirical macroeconomics. However, TVP models are parameter-rich and risk over-fitting unless the dimension of the model is small. Motivated by this worry, this article proposes several Time Varying Dimension (TVD) models where the dimension of the model can change over time, allowing for the model to automatically choose a more parsimonious TVP representation, or to switch between different parsimonious representations. Our TVD models all fall in the category of dynamic mixture models. We discuss the properties of these models and present methods for Bayesian inference. An application involving U.S. inflation forecasting illustrates and compares the different TVD models. We find our TVD approaches exhibit better forecasting performance than many standard benchmarks and shrink toward parsimonious specifications. This article has online supplementary materials.