Time-varying sparsity in dynamic regression models

یک روش جدید بیزی برای استنتاج در مدل های رگرسیون پویا پیشنهاد شده است که هر دو مقدار ضرایب رگرسیون و اهمیت متغیرها در طی زمان تغییر می کنند. ما بر پیش بینی تمرکز می کنیم و بنابراین پارسیمون مدل برای عملکرد خوب مهم است. پیش از آن توسعه یافته است که اجازه می دهد انقباض ضریب رگرسیون به طور مناسب در طول زمان تغییر کند و یک روش کارآمد مونت کارلو زنجیره مارکوف برای استنتاج خلفی توصیف شده است. روش جدید برای دو مشکل پیش بینی در اقتصاد سنجی مورد استفاده قرار می گیرد: پیش بینی حق امتیاز و پیش بینی تورم. نتایج نشان می دهد که این روش از روش های کنونی رقابت بیزی برتر است.