Variational Inference of Dynamic Factor Models with Arbitrary Missing Data
任意缺失数据下动态因子模型的变分推断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：摘要直接研究动态因子模型的后验近似，并比较样本内外预测分布，因此对应因子模型与预测两个细分方向。
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…
关注这篇论文的作者
任意缺失数据下动态因子模型的变分推断
- 研究问题
- 动态因子模型存在混频或不同样本长度等缺失时，如何在避免昂贵模拟的同时纳入参数不确定性，并准确近似预测分布？
- 方法与思路
- 作者通过变分推断近似动态因子模型的后验，允许任意缺失模式，并在小型和大型经验模型中与基于 MCMC 的完整贝叶斯估计比较。
- 材料陈述的贡献
- 摘要称，方法较好捕捉因子特征和参数，样本内外预测分布与 MCMC 结果十分接近，并取得较大的计算时间节省。
- 阅读关注点
- 应核对变分分布族、缺失与混频处理、参数不确定性的近似质量，以及预测分布比较指标和计算时间统计是否充分。
- 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；摘要未报告近似误差或时间数值，案例中的接近程度不能视为一般保证。
原文摘要
Dynamic factor models are often estimated by point-estimation methods, disregarding parameter uncertainty. We propose a method accounting for parameter uncertainty by means of posterior approximation, using variational inference. Our approach allows for any arbitrary pattern of missing data, including different sample sizes and mixed frequencies. It also yields a straight-forward estimation algorithm absent of time-consuming simulation techniques. In empirical examples using both small and large models, we compare our method to full Bayesian estimation from MCMC-simulations. Generally, the approximation captures factor features and parameters well, with vast computational gains. The resulting predictive distributions are approximated to a very high precision, almost indistinguishable from MCMC both in and out of sample, in a tiny fraction of computational time.