A Bayesian Gaussian Process Dynamic Factor Model
贝叶斯高斯过程动态因子模型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。
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：摘要直接提出动态因子模型，并用于宏观序列预测和全球通胀因素提取，最直接对应因子模型与宏观预测。
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…
贝叶斯高斯过程动态因子模型
- 研究问题
- 动态因子与观测变量之间的关系可能非线性时，如何灵活建模该关系，并用于宏观预测与全球通胀共同因素提取？
- 方法与思路
- 作者对各序列的观测函数设置高斯过程先验，以标准VAR描述潜在因子动态，并讨论计算高效的估计算法。
- 材料陈述的贡献
- 摘要称相较线性基准，模型改善FRED-QD关键序列预测准确性，并能在全球通胀因素提取中捕捉国际不对称性。
- 阅读关注点
- 应核对因子与非线性函数的识别、先验及计算近似、预测样本划分，以及国际不对称性的定义和实证解释。
- 阅读边界
- 这是arXiv预印本，同行评审和期刊接收未获确认；摘要未报告预测改善幅度、具体基准或结果对先验的敏感性。
原文摘要
We propose a dynamic factor model (DFM) where the latent factors are linked to observed variables with unknown and potentially nonlinear functions. The key novelty and source of flexibility of our approach is a nonparametric observation equation, specified via Gaussian Process (GP) priors for each series. Factor dynamics are modeled with a standard vector autoregression (VAR), which facilitates computation and interpretation. We discuss a computationally efficient estimation algorithm and consider two empirical applications. First, we forecast key series from the FRED-QD dataset and show that the model yields improvements in predictive accuracy relative to linear benchmarks. Second, we extract driving factors of global inflation dynamics with the GP-DFM, which allows for capturing international asymmetries.