近年来,时变参数（Time-varying parameter,TVP）模型在经济学领域非常流行,因为该模型能轻易的捕捉随着时间变化的信息,且灵活易懂,具有很强的可解释性。但是,这种灵活性是有代价的,一方面,TVP模型可能会被过度参数化。特别是,当潜在的解释变量特别大时,模型可能遇到“维数祸根”问题,导致样本内预测效果好,但样本外预测效果差。另一方面,对那些本身并不存在时变性的参数进行时变性设定,对统计有效性的损失是巨大的。因此,如何解决模型设定和过拟合问题是目前TVP模型研究分析领域的热点。本文对时变参数模型的模型设定、参数估计和预测问题进行了相应讨论。事实上,参数的时变特性是由过程方差决定的,过程方差越大,参数的时变性越强。基于此,论文通过非中心参数化手段将模型设定问题间接转化为方差选择问题,使得经典回归中的研究方法也同样适用于该模型。其次,时变性设定使得模型待估参数个数远大于样本量,一般的参数估计方法很难处理。本文利用MCMC算法给出了参数的贝叶斯估计,规避了样本容量不足带来的计算问题。再次,针对过拟合问题,文中二三章分别对过程方差和初值设置了正态伽马先验和马蹄先验,该类先验相较于常用的Laplace先验而言,适应性更强,过度收缩的风险更小。此外,为进一步提高TVP模型的灵活性,论文第三章基于随机波动率模型对过程方差的序列相依性进行动态建模,大大增强了模型识别突变和断裂性参数变化的能力。最后,在实证部分,论文使用两种TVP模型对新冠疫情舆情数据进行了建模及预测,提出了一种舆情预测的新方法。研究结果表明,在实证所选取的指标中,对“流行度”影响最大的是其自身的一阶滞后项,其次分别是全国新冠每日新增确诊人数和“周六”、“周一”三个变量。另外,从模型比较的角度来看,两模型在序列波动较平稳的区间,预测性能无明显差异。而在序列波动较大的区间,方差时变的TVP模型具有更强的适应性,对突变的预测能力也更强。