Comparing smooth transition and Markov switching autoregressive models of US unemployment
美国失业率的平滑转换与马尔可夫转换自回归模型比较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：摘要直接比较失业率的非线性自回归动态与贝叶斯样本外预测。
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…
关注这篇论文的作者
美国失业率的平滑转换与马尔可夫转换自回归模型比较
- 研究问题
- 研究美国月度失业率的非线性动态更适合由逻辑平滑转换还是马尔可夫状态转换描述，并比较两者的样本外预测。
- 方法与思路
- 作者对失业率逻辑变换后的序列建立两类自回归模型，以马尔可夫链蒙特卡洛估计，并从贝叶斯预测密度生成预测。
- 材料陈述的贡献
- 摘要称两类模型给出的描述十分相近，但贝叶斯因子以及贝叶斯和经典预测效率检验均倾向于平滑转换模型。
- 阅读关注点
- 应核对状态间首个自回归系数的识别约束、滞后季节差分转换变量，以及先验、预测期和评价规则对比较的影响。
- 阅读边界
- 摘要未说明样本区间、先验设定和预测改进幅度；其比较结论仅针对所设模型与数据，不能推断普遍预测优势。
原文摘要
Abstract Logistic smooth transition and Markov switching autoregressive models of a logistic transform of the monthly US unemployment rate are estimated by Markov chain Monte Carlo methods. The Markov switching model is identified by constraining the first autoregression coefficient to differ across regimes. The transition variable in the LSTAR model is the lagged seasonal difference of the unemployment rate. Out‐of‐sample forecasts are obtained from Bayesian predictive densities. Although both models provide very similar descriptions, Bayes factors and predictive efficiency tests (both Bayesian and classical) favor the smooth transition model. Copyright © 2008 John Wiley & Sons, Ltd.