Maximum a Posteriori Estimation of Dynamic Factor Models with Incomplete Data
不完整数据下动态因子模型的最大后验估计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：摘要明确研究动态因子模型的参数收缩、缺失数据与最大后验估计，因此归入因子模型，未直接报告预测或即时预测目标。
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
不完整数据下动态因子模型的最大后验估计
- 研究问题
- 动态因子模型面对不同发布日期、样本长度及频率造成的缺失时，如何引入参数收缩进行最大后验估计，并与最大似然比较？
- 方法与思路
- 作者将既有最大似然 EM 迭代扩展为惩罚版本，采用类似 Minnesota 先验的参数收缩，考虑动态载荷及启发式自适应收缩方案。
- 材料陈述的贡献
- 摘要称，算法能够处理任意缺失模式，模拟中总体表现较好且至少与最大似然相当，但未提供具体误差指标和比较数值。
- 阅读关注点
- 应核对惩罚目标与先验的对应关系、动态载荷的设定、收缩强度更新规则，以及不同缺失模式下的收敛与模拟表现。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明收缩选择和模拟设计，不能认定所有缺失模式下都更准确。
原文摘要
In this paper, we present a method of maximum a posteriori estimation of parameters in dynamic factor models with incomplete data. We extend maximum likelihood expectation maximization iterations by Bańbura & Modugno (2014) to penalized counterparts by applying parameter shrinkage in a Minnesota prior style fashion, also considering factors loading onto variables dynamically. A heuristic and adapting shrinkage scheme is considered. The algorithm is applicable to any arbitrary pattern of missing data, including different publication dates, sample lengths and frequencies. The method is evaluated in a Monte Carlo study, generally performing favourably, and at least comparably, to maximum likelihood.