Bayesian Forecasting of Multinomial Time Series through Conditionally Gaussian Dynamic Models
通过条件高斯动态模型进行多项时间序列的贝叶斯预测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：题名明确涉及贝叶斯预测，摘要研究非正态多变量时间序列及动态模型，支持时间序列和预测两个方向。
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…
通过条件高斯动态模型进行多项时间序列的贝叶斯预测
- 研究问题
- 对于多项计数等非正态多变量时间序列，如何同时描述跨时间和跨序列的参数联系，并进行贝叶斯推断与预测？
- 方法与思路
- 作者构建条件高斯动态模型，将非正态观测参数通过时间和层级联系起来，并以含Metropolis–Hastings步骤的MCMC推断。
- 材料陈述的贡献
- 摘要称所述方法适用范围超出多项观测，并以意大利中等教育学生流动序列展示动态模型及后验模拟方法。
- 阅读关注点
- 应核对观测分布与动态状态的连接方式、层级结构和先验设定，以及后验模拟收敛与预测不确定性的评估。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；动态方程、算法表现和预测比较结果未说明，不能据标题推断预测优势。
原文摘要
We consider inference in the class of conditionally Gaussian dynamic models for nonnormal multivariate time series. In such models, data are represented as drawn from nonnormal sampling distributions whose parameters are related both through time and hierarchically across several multivariate series. A key example—the main focus here—is time series of multinomial observations, a common occurrence in sociological and demographic studies involving categorical count data. However, we present this development in a more general setting, as the resulting methods apply beyond the multinomial context. We discuss inference in the proposed model class via a posterior simulation scheme based on appropriate modifications of existing Markov chain Monte Carlo algorithms for normal dynamic linear models and including Metropolis-Hastings components. We develop an analysis of time series of flows of students in the Italian secondary education system as an illustration of the models and methods.