Modeling data revisions: Measurement error and dynamics of “true” values
数据修订建模：测量误差与真实值的动态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：摘要以状态空间动态刻画宏观数据修订，并研究美国实际产出增长的实时趋势和周期估计。
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
数据修订建模：测量误差与真实值的动态
- 研究问题
- 面对可靠性不同的初步值和修订值，如何刻画复杂测量误差，并在真实值未必最终可观测的情况下实时估计趋势和周期？
- 方法与思路
- 作者建立状态空间模型，允许测量误差包含噪声、新闻和溢出效应，并放松若干次修订后即可观察真实值的常见假设。
- 材料陈述的贡献
- 摘要称，该框架统一并扩展数据修订的动态建模，支持使用标准方法进行实时趋势和周期估计，并以美国实际产出增长示例。
- 阅读关注点
- 应核对不同修订版本与潜在真实值的观测方程、误差动态和识别方式，以及实时信息集如何进入滤波与估计。
- 阅读边界
- 仅据所给出版社摘要，无法判断真实值不可观测时的识别条件、最优估计的具体标准，或相对既有模型的量化改善。
原文摘要
Policy makers must base their decisions on preliminary and partially revised data of varying reliability. Realistic modeling of data revisions is required to guide decision makers in their assessment of current and future conditions. This paper provides a new framework with which to model data revisions. Recent empirical work suggests that measurement errors typically have much more complex dynamics than existing models of data revisions allow. This paper describes a state-space model that allows for richer dynamics in these measurement errors, including the noise, news and spillover effects documented in this literature. We also show how to relax the common assumption that "true" values are observed after a few revisions. The result is a unified and flexible framework that allows for more realistic data revision properties, and allows the use of standard methods for optimal real-time estimation of trends and cycles. We illustrate the application of this framework with real-time data on US real output growth.