Estimation and Forecasting in Models with Multiple Breaks
多重结构突变模型的估计与预测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：摘要明确研究未知次数的时间序列突变、实时预测，并应用于美国GDP增长与通胀。
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
多重结构突变模型的估计与预测
- 研究问题
- 当样本中的结构突变次数未知时，如何同时描述少量状态转换与频繁参数变化，并据此开展有效的实时预测？
- 方法与思路
- 作者假定状态持续期服从泊松分布，设置层级先验，以MCMC估计条件均值与方差变化，并用序贯重要性抽样进行实时预测。
- 材料陈述的贡献
- 摘要称，模型近似涵盖常见突变模型与TVP模型；美国GDP增长及通胀应用显示，估计突变次数较既有结果更多。
- 阅读关注点
- 应核对持续期分布与层级先验的作用、近似涵盖关系，以及实时预测的信息集、算法权重和实证预测评价标准。
- 阅读边界
- 摘要未给出先验参数、预测误差或比较显著性；突变更多及模型接近含随机波动TVP的结果，仅针对所报告的两组序列。
原文摘要
This paper develops a new approach to change-point modelling that allows the number of change-points in the observed sample to be unknown. The model we develop assumes that regime durations have a Poisson distribution. It approximately nests the two most common approaches: the time-varying parameter (TVP) model with a change-point every period and the change-point model with a small number of regimes. We focus considerable attention on the construction of reasonable hierarchical priors both for regime durations and for the parameters that characterize each regime. A Markov chain Monte Carlo posterior sampler is constructed to estimate a version of our model, which allows for change in conditional means and variances. We show how real-time forecasting can be done in an efficient manner using sequential importance sampling. Our techniques are found to work well in an empirical exercise involving U.S. GDP growth and inflation. Empirical results suggest that the number of change-points is larger than previously estimated in these series and the implied model is similar to a TVP (with stochastic volatility) model. Copyright 2007, Wiley-Blackwell.