Sequential Monte Carlo With Model Tempering
采用模型渐进过渡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。
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：摘要直接针对宏观时间序列模型的贝叶斯计算，并应用于随机波动率 VAR 与动态宏观模型。
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
采用模型渐进过渡的序贯蒙特卡洛方法
- 研究问题
- 当宏观时间序列模型的似然计算昂贵时，如何利用快速近似模型的后验抽样降低目标模型的贝叶斯计算成本？
- 方法与思路
- 作者通过序贯蒙特卡洛，对近似模型的后验样本进行重新加权与变异，使其逐步转化为目标模型的后验样本。
- 材料陈述的贡献
- 摘要称在随机波动率 VAR 和非线性动态随机一般均衡模型的估计中，所获运行时间降幅介于 27% 与 88%。
- 阅读关注点
- 应核对模型过渡路径、权重退化和变异步骤的处理，并检查运行时间比较所用硬件、基准算法与后验精度标准。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验；摘要给出的速度改善限于所述应用，未说明精度比较及对其他模型的适用条件。
原文摘要
Modern macroeconometrics often relies on time series models for which it is time-consuming to evaluate the likelihood function. We demonstrate how Bayesian computations for such models can be drastically accelerated by reweighting and mutating posterior draws from an approximating model that allows for fast likelihood evaluations, into posterior draws from the model of interest, using a sequential Monte Carlo (SMC) algorithm. We apply the technique to the estimation of a vector autoregression with stochastic volatility and a nonlinear dynamic stochastic general equilibrium model. The runtime reductions we obtain range from 27% to 88%.