Estimating turning points using large data sets
利用大型数据集估计经济周期转折点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：摘要明确研究经济周期转折点，并以大量美国月度实际经济时间序列开展估计，直接属于宏观时间序列方向。
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
利用大型数据集估计经济周期转折点
- 研究问题
- 经济总体转折点应由大量单个序列的转折日期汇总，还是从少数总量序列识别；如何给转折点估计提供抽样不确定性？
- 方法与思路
- 作者基于时间序列总体给出非参数转折点定义，建立抽取部分序列时的估计量、抽样分布和标准误，并考虑分层抽样。
- 材料陈述的贡献
- 摘要将总体转折点定义与抽样推断联系起来，并使用美国一九五九至二〇一〇年的二百七十条月度实际经济序列分析。
- 阅读关注点
- 应核对总体与样本序列的定义、两种转折点识别路线的关系，以及简单随机抽样和分层抽样如何产生标准误。
- 阅读边界
- 仅据所给出版社摘要，无法判断序列间依赖的处理、转折点规则或实时可用性；该方法的预测能力未被说明。
原文摘要
Dating business cycles entails ascertaining economy-wide turning points. Broadly speaking, there are two approaches in the literature. The first approach, which dates to Burns and Mitchell (1946), is to identify turning points individually in a large number of series, then to look for a common date that could be called an aggregate turning point. The second approach, which has been the focus of more recent academic and applied work, is to look for turning points in a few, or just one, aggregate. This paper examines these two approaches to the identification of turning points. We provide a nonparametric definition of a turning point (an estimand) based on a population of time series. This leads to estimators of turning points, sampling distributions, and standard errors for turning points based on a sample of series. We consider both simple random sampling and stratified sampling. The empirical part of the analysis is based on a data set of 270 disaggregated monthly real economic time series for the US, 1959–2010.