A Dynamic Binary Probit Model with Time-Varying Parameters and Shrinkage Prior
采用收缩先验的时变参数动态二元 Probit 模型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：摘要明确研究二元时间序列、随时间变化的系数与模型不稳定，并以经济衰退预测为应用，支持这三个宏观方向。
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
采用收缩先验的时变参数动态二元 Probit 模型
- 研究问题
- 如何在二元时间序列模型中捕捉潜变量的动态依赖与参数不稳定，同时避免将实际固定的系数误设为时变？
- 方法与思路
- 作者为含滞后潜变量和外生回归量的 probit 模型加入时变系数及收缩先验，设计分块 MCMC 和基于卡尔曼滤波的近似。
- 材料陈述的贡献
- 摘要称方法可自动区分固定与时变系数，提高采样效率及预测似然计算的稳定性，并以模拟和衰退预测展示用途。
- 阅读关注点
- 应核对潜变量动态与初始状态设定、收缩先验的作用、MCMC 收敛诊断，以及经济衰退预测的样本外评估方式。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要解读；摘要未给出先验细节、计算误差或预测改善数值，不能判断稳健性及后续刊本变化。
原文摘要
This article studies a time series binary probit model in which the underlying latent variable depends on its lag and exogenous regressors. The regression coefficients for the latent variable are allowed to vary over time to capture possible model instability. Bayesian shrinkage priors are applied to automatically differentiate fixed and truly time-varying coefficients and thus avoid unnecessary model complexity. I develop an MCMC algorithm for model estimation that exploits parameter blocking to boost sampling efficiency. An efficient Monte Carlo approximation based on the Kalman filter is developed to improve the numerical stability for computing the predictive likelihood of the binary outcome. Benefits of the proposed model are illustrated in a simulation study and an application to forecast economic recessions.