BAYESIAN MODEL SELECTION AND FORECASTING IN NONCAUSAL AUTOREGRESSIVE MODELS
非因果自回归模型中的贝叶斯模型选择与预测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：摘要研究非因果自回归模型的贝叶斯选模与预测密度，并应用于美国通胀，直接对应宏观时间序列和预测。
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
非因果自回归模型中的贝叶斯模型选择与预测
- 研究问题
- 如何估计非因果自回归模型并得到预测密度，利用后验模型概率区分因果与非因果规格，以及评估通胀预测表现？
- 方法与思路
- 作者推导过去和未来误差及参数的联合后验，从中获得预测密度，以后验模型概率选模，并应用于美国通胀。
- 材料陈述的贡献
- 摘要称美国通胀应用的非因果后验概率超过98%，纯非因果规格的预测优于所比较的其他因果及非因果 AR 模型。
- 阅读关注点
- 应核对非因果 AR 的定义、误差分布与先验、未来误差的计算处理，以及后验概率和预测比较的敏感性。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断先验和预测设计；非因果在此属于时间序列模型概念，不能解释为因果推断结论。
原文摘要
SUMMARY In this paper, we propose a Bayesian estimation and forecasting procedure for noncausal autoregressive (AR) models. Specifically, we derive the joint posterior density of the past and future errors and the parameters, yielding predictive densities as a by‐product. We show that the posterior model probabilities provide a convenient model selection criterion in discriminating between alternative causal and noncausal specifications. As an empirical application, we consider US inflation. The posterior probability of noncausality is found to be high—over 98%. Furthermore, the purely noncausal specifications yield more accurate inflation forecasts than alternative causal and noncausal AR models. Copyright © 2010 John Wiley & Sons, Ltd.