Dynamic Mixture Vector Autoregressions With Score‐Driven Weights
具有得分驱动权重的动态混合向量自回归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：摘要核心是动态混合 VAR 的时变权重、过滤和预测，直接对应时间序列建模。
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…
具有得分驱动权重的动态混合向量自回归
- 研究问题
- 如何让混合 VAR 的分量权重随新观测动态更新，并在不同数据生成过程中过滤和预测混合状态，同时保持似然推断的可操作性？
- 方法与思路
- 作者用预测似然得分驱动时变混合权重；当前观测越符合某分量，该分量下一期权重越高，并以模拟和两个应用评价。
- 材料陈述的贡献
- 摘要提出不局限于某一种分布的动态混合 VAR，支持直接的似然估计和推断，并展示其过滤与预测混合动态的能力。
- 阅读关注点
- 核对权重更新公式、分量识别、分布与稳定性要求，以及模拟中的过滤和预测指标、实证应用及其比较基准。
- 阅读边界
- 仅据所给 Crossref 摘要解读，未核验刊本变化；两项应用的对象和具体结果未说明，不限定单一分布也不代表无需分布或正则条件。
原文摘要
ABSTRACT We propose a novel dynamic mixture vector autoregressive (VAR) model where the time‐varying mixture weights are driven by the predictive likelihood score. Intuitively, the weight of a component VAR model is increased in the subsequent period if the current observation is more likely to be drawn from this state. The model is not limited to a specific distributional assumption and allows for straightforward likelihood‐based estimation and inference. In a Monte Carlo study, we document the model's ability to filter and predict mixture dynamics across different data‐generating processes. Moreover, we illustrate the model's empirical performance with the help of two applications.