Inducing Sparsity and Shrinkage in Time-Varying Parameter Models
时变参数模型中的稀疏化与收缩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：摘要以时变参数回归为对象，并明确开展宏观经济预测应用，因此对应时间序列和宏观预测方向。
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…
关注这篇论文的作者
时变参数模型中的稀疏化与收缩
- 研究问题
- 时变参数模型在变量较多时容易参数过多，如何在收缩基础上进一步稀疏化，以减少估计不确定性并改善宏观预测表现？
- 方法与思路
- 作者提出先收缩、再稀疏化的计算简便方法，处理时变参数模型，并以不同稀疏程度的模拟与宏观预测应用评估表现。
- 材料陈述的贡献
- 摘要称先收缩后稀疏化在多种稀疏与稠密模拟设定中具有收益，并在宏观预测应用中相较仅收缩的方法明显改善预测表现。
- 阅读关注点
- 核对收缩与稀疏化的具体顺序和规则、调参及预测评估设计，特别关注稀疏化后参数不确定性如何处理。
- 阅读边界
- 摘要未给出稀疏化规则、调参方式、预测误差指标与比较范围；所报告的改进不能据此推广到任意数据或时变参数模型。
原文摘要
Time-varying parameter (TVP) models have the potential to be over-parameterized, particularly when the number of variables in the model is large. Global-local priors are increasingly used to induce shrinkage in such models. But the estimates produced by these priors can still have appreciable uncertainty. Sparsification has the potential to reduce this uncertainty and improve forecasts. In this article, we develop computationally simple methods which both shrink and sparsify TVP models. In a simulated data exercise, we show the benefits of our shrink-then-sparsify approach in a variety of sparse and dense TVP regressions. In a macroeconomic forecasting exercise, we find our approach to substantially improve forecast performance relative to shrinkage alone.