Modeling tail risks of inflation using unobserved component quantile regressions
利用不可观测成分分位数回归建模通胀尾部风险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：摘要直接研究美国、英国和欧元区通胀的时变分位数与样本外预测，尾部对象是宏观通胀而非金融损失。
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
利用不可观测成分分位数回归建模通胀尾部风险
- 研究问题
- 如何在参数随时间变化且存在条件异方差的情况下，动态估计通胀分布的分位数，尤其是尾部及其预测表现？
- 方法与思路
- 作者通过数据增广构造条件高斯形式，开发 Gibbs 采样并采用动态收缩先验，将不可观测成分版本用于三地通胀。
- 材料陈述的贡献
- 摘要称模型在样本外预测中具有竞争力，尤其擅长高阶及尾部预测；估计的预测分布有时偏斜，偶尔呈现厚尾。
- 阅读关注点
- 应核对条件异方差与时变参数的设定、动态收缩先验，以及样本外评估窗口、预测指标和尾部分位数校准。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未提供预测数值和比较细节，不能确认各时期或各地均占优。
原文摘要
This paper proposes methods for Bayesian inference in time-varying parameter (TVP) quantile regression (QR) models featuring conditional heteroskedasticity. I use data augmentation schemes to render the model conditionally Gaussian and develop an efficient Gibbs sampling algorithm. Regularization of the high-dimensional parameter space is achieved via flexible dynamic shrinkage priors. A simple version of TVP-QR based on an unobserved component model is applied to dynamically trace the quantiles of the distribution of inflation in the United States, the United Kingdom and the euro area. In an out-of-sample forecast exercise, I find the proposed model to be competitive and perform particularly well for higher-order and tail forecasts. A detailed analysis of the resulting predictive distributions reveals that they are sometimes skewed and occasionally feature heavy tails.