Tracking Economic Activity With Alternative High‐Frequency Data
利用替代性高频数据追踪经济活动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：摘要明确提出混频动态因子模型，并以高频 GDP 测量和即时预测为目标，直接对应宏观因子与预测方向。
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…
利用替代性高频数据追踪经济活动
- 研究问题
- 在疫情等剧烈波动时期，如何从周度、月度和季度数据中及时提取经济活动信息，以高频间隔测量并即时预测 GDP 增长？
- 方法与思路
- 作者提出带随机波动率的贝叶斯混频动态因子模型，增设状态空间模块补齐稀疏观测，再基于扩充数据条件估计动态因子。
- 材料陈述的贡献
- 摘要称，新模块将混频数据扩充为包含观测和估计潜在信息的平衡面板，并利用替代性高频数据实现波动时期及时准确的即时预测。
- 阅读关注点
- 应核对数据扩充与因子估计如何衔接、混频 GDP 如何映射到高频增长，以及实时信息集、发布滞后和预测比较如何处理。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断数据来源、预测误差或基准模型；摘要中的及时准确属于作者陈述，尚不能据此评价普遍表现。
原文摘要
ABSTRACT Monthly macroeconomic series captured the sharp fluctuations during the COVID‐19 pandemic only with a lag. The use of alternative high‐frequency data is promising for crisis periods, but it is difficult to extract relevant business cycle information from them. We present a Bayesian mixed‐frequency dynamic factor model with stochastic volatility for measuring GDP growth at high‐frequency intervals. Its novelty is an additional state‐space block, in which the sparse observations in the mixed‐frequency data are augmented to a balanced panel with observed and estimated latent information. The dynamic factors are then estimated conditional on the augmented data. Our model exploits the information in rich datasets of weekly, monthly, and quarterly series, including alternative high‐frequency data. GDP is nowcasted timely and accurately during volatile periods.