Censored Regression with Serially Correlated Errors: a Bayesian approach
序列相关误差下删失回归的贝叶斯方法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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确处理 AR(p) 序列相关误差，并以删失时间序列开展模型检验与选择。
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…
序列相关误差下删失回归的贝叶斯方法
- 研究问题
- 线性回归的观测存在删失且误差具有自相关时，如何估计模型参数，并在较高删失比例下处理潜在未观测值？
- 方法与思路
- 作者为 AR(p) 误差的删失回归提出贝叶斯方法，通过变量变换获取完整似然，并用数据增广 Gibbs 抽样更新参数与潜变量。
- 材料陈述的贡献
- 摘要称模拟中即使删失比例较高也能得到较准确的估计，并以云底高度数据展示删失时间序列的模型检验与选择。
- 阅读关注点
- 应核对删失机制、误差分布与 AR 阶数条件、变量变换的似然处理，以及潜变量抽样、先验设定和链的收敛诊断。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验。摘要未给出先验、删失比例或精度数值，无法判断更一般删失机制下的适用性。
原文摘要
The problem of estimating censored linear regression models with autocorrelated errors arises in many environmental and social studies. The present work proposes a Bayesian approach to estimate censored regression models with AR(p) errors. The algorithm developed here considers the Gibbs sampler with data augmentation(GDA), in which, at each iteration, both the model parameters and the latent variables are sampled. The data augmentation is achieved from multiple sampling of the latent variables from the corresponding conditional distributions. A suitable variable transformation allows the full likelihood to be obtained. A simulation study indicates that the proposed approach produces estimates with a high accuracy even in scenarios where the proportion of censored observations is large. The method is further illustrated in a real data of cloud ceiling height, including model checking and selection for censored time series data.