Flexible Bayesian MIDAS: Time-Variation, Group-Shrinkage and Sparsity
灵活的贝叶斯 MIDAS：时变性、分组收缩与稀疏化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：摘要明确研究混频动态回归及英国 GDP 即时预测，属于宏观预测与时间序列方法。
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
灵活的贝叶斯 MIDAS：时变性、分组收缩与稀疏化
- 研究问题
- 混频即时预测如何同时处理趋势变化、随机波动和高频指标的滞后分组结构，并表达变量选择的不确定性？
- 方法与思路
- 作者在混频回归中加入时变趋势与随机波动，采用考虑组内相关性的收缩先验，再用贝叶斯决策理论进行后验稀疏化。
- 材料陈述的贡献
- 摘要称分组收缩改善英国 GDP 即时预测，趋势与随机波动有助于在大冲击期间稳定变量选择，并保留预测不确定性。
- 阅读关注点
- 应核对趋势和波动的状态方程、分组先验与稀疏化损失函数，以及不同数据发布阶段的预测评价和信息集构造。
- 阅读边界
- 解读限于所给 OpenAlex 摘要；摘要未说明先验设定、预测改善幅度及实时数据处理，应用发现不能直接推广到其他经济体。
原文摘要
We propose a mixed-frequency regression prediction approach that models a time-varying trend and stochastic volatility in the trend and in the variable of interest.The coefficients of high-frequency indicators are regularized via a shrinkage prior that accounts for the grouping structure and within-group correlation among lags.A new sparsification algorithm on the posterior motivated by Bayesian decision theory derives inclusion probabilities over lag groups, thus making the results easy to communicate without imposing sparsity a priori.An empirical application on nowcasting UK GDP growth suggests that group-shrinkage improves nowcasting performance by relying on signals from a meaningful sub-set of predictors that include "hard" real activity indicators and, early in the data release, cycle additionally a number of surveys.Over the Covid-19 pandemic, a few additional indicators for the service and housing sectors are exploited that capture the disruptions from economic lockdowns.Accounting for a trend and stochastic volatility helps to stabilize the sparse nature of the variable selection during periods of large shocks, while accounting for uncertainty, especially early in the data release cycle.