A computationally efficient method for vector autoregression with mixed frequency data
混频向量自回归的计算高效方法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：摘要直接针对混频时间序列的向量自回归及其潜在变量计算展开，对应时间序列和 VAR 方法。
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
混频向量自回归的计算高效方法
- 研究问题
- 研究混频 VAR 中时间聚合观测对潜在变量施加的线性约束，如何通过变量变换降低模拟平滑与抽样的计算负担。
- 方法与思路
- 作者提出线性变换，使每个观测值替换一个潜在变量；全样本变换得到闭式模拟平滑器，部分样本变换形成适合并行计算的抽样器。
- 材料陈述的贡献
- 摘要称该变换提供了闭式模拟平滑方法，以及计算高效、适于并行的部分样本抽样方案，为混频 VAR 的计算提供实现思路。
- 阅读关注点
- 应核对时间聚合约束和变换的可逆性、变换后条件分布的推导，以及两种方案的复杂度、适用条件与并行计算方式。
- 阅读边界
- 本导读限于所给出版社摘要；模型分布假设、计算复杂度及实际加速结果未说明，不能据此量化相对其他抽样算法的效率优势。
原文摘要
A linear transformation method is proposed to handle the vector autoregression with mixed frequency time series data. Temporally aggregated observations impose linear constraints on the distribution of latent variables, which are converted such that each observation replaces a latent variable. Full-sample transformation yields a closed-form simulation smoother, while partial-sample transformation leads to a computationally efficient sampler suitable for parallel computing.