A sequential Monte Carlo approach to inference in multiple‐equation Markov‐switching models
多方程马尔可夫切换模型推断的序贯蒙特卡洛方法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：摘要明确研究马尔可夫切换向量自回归的贝叶斯后验与模型选择，直接对应时间序列及 VAR 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
多方程马尔可夫切换模型推断的序贯蒙特卡洛方法
- 研究问题
- 如何在多方程马尔可夫切换向量自回归中可靠开展贝叶斯推断，并评估先验选择对不同模型比较结果的影响？
- 方法与思路
- 作者采用序贯蒙特卡洛估计切换 VAR 的后验；该方法不依赖先验与似然间特定解析关系，并用于比较不同先验下的模型选择。
- 材料陈述的贡献
- 摘要称，序贯蒙特卡洛可准确估计模型后验，具有通用性和并行计算优势；其应用还显示模型选择可能对先验设定高度敏感。
- 阅读关注点
- 核对序贯蒙特卡洛的实现与后验精度评估、和 MCMC 比较的计算条件，以及先验敏感性对应的模型选择准则。
- 阅读边界
- 摘要未报告后验精度的数值标准、计算开销及先验敏感性的范围；方法是否适合特定模型和计算资源，仍需检查全文的实现与比较。
原文摘要
Summary Vector autoregressions with Markov‐switching parameters (MS‐VARs) offer substantial gains in data fit over VARs with constant parameters. However, Bayesian inference for MS‐VARs has remained challenging, impeding their uptake for empirical applications. We show that sequential Monte Carlo (SMC) estimators can accurately estimate MS‐VAR posteriors. Relative to multi‐step, model‐specific MCMC routines, SMC has the advantages of generality, parallelizability, and freedom from reliance on particular analytical relationships between prior and likelihood. We use SMC's flexibility to demonstrate that model selection among MS‐VARs can be highly sensitive to the choice of prior.