On Bayesian Filtering for Markov Regime Switching Models
马尔可夫机制转换模型的贝叶斯滤波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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确研究宏观状态空间时间序列模型，并利用马尔可夫机制转换识别历史政策变化。
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…
马尔可夫机制转换模型的贝叶斯滤波
- 研究问题
- 多机制 DSGE 状态空间模型中，如何有效估计和恢复不可观测状态，并比较不同贝叶斯滤波与平滑方法的速度和精度？
- 方法与思路
- 作者介绍 IMM 与 GPB 两类多机制滤波器并构造相应平滑器，通过新凯恩斯 DSGE 模拟及美国宏观时间序列评估。
- 材料陈述的贡献
- 摘要称标准 IMM 更快且精度不逊于比较方法，配套平滑使状态恢复精度提高约百分之二十五，并识别历史政策转换。
- 阅读关注点
- 应核对机制转移与状态方程设定、滤波近似、精度指标和计时环境，以及历史政策转换如何识别并量化不确定性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获核实；摘要中的精度改善限于所述比较，完整评估条件未说明。
原文摘要
This paper presents a framework for empirical analysis of dynamic macroeconomic models using Bayesian filtering, with a specific focus on the state-space formulation of Dynamic Stochastic General Equilibrium (DSGE) models with multiple regimes. We outline the theoretical foundations of model estimation, provide the details of two families of powerful multiple-regime filters, IMM and GPB, and construct corresponding multiple-regime smoothers. A simulation exercise, based on a prototypical New Keynesian DSGE model, is used to demonstrate the computational robustness of the proposed filters and smoothers and evaluate their accuracy and speed for a selection of filters from each family. We show that the canonical IMM filter is faster and is no less, and often more, accurate than its competitors within IMM and GPB families, the latter including the commonly used Kim and Nelson (1999) filter. Using it with the matching smoother improves the precision in recovering unobserved variables by about 25 percent. Furthermore, applying it to the U.S. 1947-2023 macroeconomic time series, we successfully identify significant past policy shifts including those related to the post-Covid-19 period. Our results demonstrate the practical applicability and potential of the proposed routines in macroeconomic analysis.