Autoregressive Moving Average Infinite Hidden Markov-Switching Models
黏性无限隐马尔可夫切换自回归移动平均模型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：摘要涉及宏观序列的ARMA建模、均值与方差状态切换，以及点预测和密度预测，因此对应时间序列、结构变化与预测方向。
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…
黏性无限隐马尔可夫切换自回归移动平均模型
- 研究问题
- 当序列发生状态切换时，如何区分均值与方差参数的变化，避免假定所有参数同时改变，并在估计中确定状态数量？
- 方法与思路
- 作者提出黏性无限隐马尔可夫切换ARMA模型，分别刻画均值与方差的切换动态，并开发处理移动平均项路径依赖的MCMC方法。
- 材料陈述的贡献
- 摘要称模型无需事先通过模型选择准则固定状态数，并在宏观序列应用中取得优于固定参数模型的点预测与密度预测表现。
- 阅读关注点
- 应核对均值与方差如何分别切换、状态数如何在估计中确定，以及MCMC处理路径依赖的机制和预测比较的具体设计。
- 阅读边界
- 摘要未说明黏性设定、先验及采样收敛诊断，也未交代样本与预测检验细节；所述预测优势仅来自文中的宏观序列比较。
原文摘要
Markov-switching models are usually specified under the assumption that all the parameters change when a regime switch occurs. Relaxing this hypothesis and being able to detect which parameters evolve over time is relevant for interpreting the changes in the dynamics of the series, for specifying models parsimoniously, and may be helpful in forecasting. We propose the class of sticky infinite hidden Markov-switching autoregressive moving average models, in which we disentangle the break dynamics of the mean and the variance parameters. In this class, the number of regimes is possibly infinite and is determined when estimating the model, thus avoiding the need to set this number by a model choice criterion. We develop a new Markov chain Monte Carlo estimation method that solves the path dependence issue due to the moving average component. Empirical results on macroeconomic series illustrate that the proposed class of models dominates the model with fixed parameters in terms of point and density forecasts.