Bayesian model selection and prediction with empirical applications
贝叶斯模型选择与预测及其实证应用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：摘要围绕自回归、趋势与单位根选择，并直接比较时间序列预测表现，因此对应时间序列及预测两个方向。
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
贝叶斯模型选择与预测及其实证应用
- 研究问题
- 如何选择带确定性趋势的自回归模型的滞后阶数、趋势阶数和单位根设定，并根据预测表现比较可变形式与固定形式模型？
- 方法与思路
- 作者采用 PIC 准则选择时间序列模型，提出 Bayes 模型的预测包容检验，并在既有数据集上比较模型及利率倒数变换。
- 材料陈述的贡献
- 摘要称，简约的可变形式模型在多数所考察序列上预测包容固定模型，部分预测明显更好，并提出以利率水平倒数建模。
- 阅读关注点
- 应核对 PIC 的定义、模型形式更新方式、预测评价窗口及包容检验条件，并检查利率倒数变换与鞅模型结论的依据。
- 阅读边界
- 仅依据 OpenAlex 所载摘要；摘要未说明具体预测设计和误差数值，所述优势仅针对所考察数据，不能推广为普遍预测优势。
原文摘要
This paper builds on some recent work by the author and Werner Ploberger (1991, 1994) on the development of ‘Bayes models’ for time series and on the authors' model selection criterion ‘PIC’. The PIC criterion is used in this paper to determine the lag order, the trend degree and the presence or absence of a unit root in an autoregression with deterministic trend. A new forecast-encompassing test for Bayes models is developed which allows one Bayes model to be compared with another on the basis of their respective forecasting performance. The paper reports an extended empirical application of the methodology to the Nelson-Plosser (1982) and Schotman-van Dijk (1991) data. It is shown that parsimonious evolving-format Bayes models forecastencompass fixed Bayes models of the ‘AR(3) + linear trend’ variety for most of these series. In some cases, the forecast performance of the parsimonious Bayes models is substantially superior. The results cast some doubts on the value of working with fixedformat time series models in empirical research and demonstrate the practical advantages of evolving-format models. The paper makes a new suggestion for modelling interest rates in terms of reciprocals of levels rather than levels (which display more volatility) and shows that the best data-determined model for this transformed series is a martingale.