Time-varying sparsity in dynamic regression models
动态回归模型中的时变稀疏性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：摘要明确以预测为重点，并分别应用于通胀预测和股票风险溢价预测，直接对应宏观预测与收益预测方向。
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…
关注这篇论文的作者
动态回归模型中的时变稀疏性
- 研究问题
- 当回归系数及变量的重要性都随时间变化时，如何构建保持简约性的动态回归模型，以改善经济与金融预测？
- 方法与思路
- 作者提出允许收缩强度随时间变化的贝叶斯先验，并设计用于后验推断的马尔可夫链蒙特卡洛方法。
- 材料陈述的贡献
- 摘要称，该方法在股票风险溢价预测和通胀预测中优于所比较的贝叶斯方法，但未提供具体指标或差距。
- 阅读关注点
- 应核对时变收缩先验如何区分系数变化与变量重要性变化，以及预测窗口、基准方法和超参数设置是否可比。
- 阅读边界
- 仅据所给出版社摘要，无法评估预测改进的稳健性；样本划分、损失函数、计算成本和比较范围均未说明。
原文摘要
A novel Bayesian method for inference in dynamic regression models is proposed where both the values of the regression coefficients and the importance of the variables are allowed to change over time. We focus on forecasting and so the parsimony of the model is important for good performance. A prior is developed which allows the shrinkage of the regression coefficients to suitably change over time and an efficient Markov chain Monte Carlo method for posterior inference is described. The new method is applied to two forecasting problems in econometrics: equity premium prediction and inflation forecasting. The results show that this method outperforms current competing Bayesian methods.