贝叶斯动态融合 LASSO

提出一类新的马尔可夫过程，以实现动态模型的灵活收缩效应。该新过程的转移密度由两个惩罚函数构成，在函数形式上类似于贝叶斯融合 LASSO，将当前状态变量收缩至其前一值及零。该密度的归一化常数（在后验计算中不可忽略）被证明本质上是双指数密度的对数几何混合。该过程构成动态回归模型的状态方程，被证明在状态变量上条件高斯且线性，并利用前向滤波与后向采样通过 Gibbs 采样器进行后验计算。LASSO 固有的过度收缩问题通过考虑层次扩展得以缓解，该扩展甚至可边际地实现 horseshoe 先验的收缩。为说明起见，将该新先验与标准双指数先验在动态线性模型的估计与预测中进行比较。其亦应用于美国宏观经济数据的时变向量自回归模型，我们考察了该额外收缩效应与动态变量选择或具体而言潜阈值模型的（不）相似性。