Regime-Switching Models for Disaggregated Data
面向细分数据的状态转换模型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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要研究宏观时间序列的状态转换，并明确分析经济周期状态与聚合造成的信号衰减。
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
面向细分数据的状态转换模型
- 研究问题
- 横截面聚合如何削弱时间序列中的状态转换信号，利用细分序列能否更清晰地识别宏观经济周期状态？
- 方法与思路
- 作者先以解析推导和模拟研究聚合效应，再构建允许自回归动态与分组异质性的状态转换模型及估计算法。
- 材料陈述的贡献
- 摘要称聚合会明显削弱转换信号；对美国九十四条宏观序列的应用得到更清晰的周期分类，模拟显示计算可行。
- 阅读关注点
- 应核对潜在状态与分组异质性的设定、模型识别及估计算法，以及周期分类改善所采用的评价标准和比较对象。
- 阅读边界
- 这是预印本，不能据此认定已同行评审或期刊接收；摘要未交代状态数选择、计算耗时及分类改善的具体幅度。
原文摘要
We show analytically and via simulation that cross-sectional aggregation can substantially attenuate regime-switching signals in time-series data, making regime switches harder to detect. Building on this, we develop regime-switching models and an estimation algorithm which allow for autoregressive dynamics and grouped heterogeneity. We apply the approach to a U.S. macroeconomic dataset of 94 series, covering components of real gross domestic product, industrial production, capacity utilization, employment, and hours worked. The estimates give sharper business cycle classifications than those typically found in the literature. Monte Carlo simulations show that the computation is practical for datasets with a few hundred time series.