Bayesian Markov-Switching Vector Autoregressive Process
贝叶斯马尔可夫转换向量自回归过程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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：题名和摘要直接研究马尔可夫转换向量自回归过程及其计算。
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
贝叶斯马尔可夫转换向量自回归过程
- 研究问题
- 一般贝叶斯马尔可夫转换 VAR 的边际密度如何表示，如何构造相应模拟算法，并处理状态序列计算中的重复问题？
- 方法与思路
- 作者给出贝叶斯 MS-VAR 的闭式密度函数，并提出包括重要性抽样在内的 Monte Carlo 模拟算法，通过去除状态向量重复组织计算。
- 材料陈述的贡献
- 摘要明确报告边际密度表达式与模拟算法，并将去除状态向量中的重复作为相对既有模拟方法的区别，未报告具体效率增益。
- 阅读关注点
- 应核对边际化的对象、先验与状态转移设定、闭式表达式适用范围，以及去重步骤是否改变模拟权重和算法的计算复杂度。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要很简略，未说明密度公式条件、算法验证或任何实际应用结果。
原文摘要
This study introduces marginal density functions of the general Bayesian Markov-Switching Vector Autoregressive (MS-VAR) process. In the case of the Bayesian MS-VAR process, we provide closed-form density functions and Monte-Carlo simulation algorithms, including the importance sampling method. The Monte-Carlo simulation method departs from the previous simulation methods because it removes the duplication in a regime vector.