Stochastic model specification search for Gaussian and partial non-Gaussian state space models
高斯与部分非高斯状态空间模型的随机设定搜索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：摘要明确以状态空间模型和含季节、趋势、干预项的结构时间序列为对象，因此归入时间序列方向。
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…
高斯与部分非高斯状态空间模型的随机设定搜索
- 研究问题
- 如何在状态空间模型中选择应纳入的组成部分，并同时决定这些组成部分应设为固定参数还是随时间变化？
- 方法与思路
- 作者将回归中的贝叶斯变量选择扩展到状态空间模型，构建模型空间 MCMC，并对非高斯情形使用辅助混合抽样。
- 材料陈述的贡献
- 摘要提出用于模型设定搜索的新方法，重点处理包含季节、趋势或干预项的结构时间序列，并应用于若干已有序列。
- 阅读关注点
- 应核对模型空间与先验如何定义、固定和时变成分如何切换，以及辅助混合抽样的适用范围和计算收敛诊断。
- 阅读边界
- 所给出版社摘要未列明部分非高斯模型的具体类别、应用数据和比较结果，不能据此判断搜索效率或设定选择准确性。
原文摘要
Model specification for state space models is a difficult task as one has to decide which components to include in the model and to specify whether these components are fixed or time-varying. To this aim a new model space MCMC method is developed in this paper. It is based on extending the Bayesian variable selection approach which is usually applied to variable selection in regression models to state space models. For non-Gaussian state space models stochastic model search MCMC makes use of auxiliary mixture sampling. We focus on structural time series models including seasonal components, trend or intervention. The method is applied to various well-known time series.