A Bayesian Non-Stationary Heteroskedastic Time Series Model for Multivariate Critical Care Data
用于多变量重症监护数据的贝叶斯非平稳异方差时间序列模型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：摘要直接研究多变量非平稳异方差时间序列，故归入时间序列；医疗应用不足以支持金融波动率分类。
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…
用于多变量重症监护数据的贝叶斯非平稳异方差时间序列模型
- 研究问题
- 如何联合刻画重症监护多变量时间序列的非平稳性、异方差和缺失观测，并比较不同模型的拟合表现？
- 方法与思路
- 作者修改标准状态空间模型的观测方差，引入多变量 GARCH；通过 MCMC 与前向滤波后向抽样进行贝叶斯推断。
- 材料陈述的贡献
- 摘要称模型可在贝叶斯框架下处理缺失数据，并在模拟及医院重症监护数据中获得优于标准状态空间模型的 WAIC 表现。
- 阅读关注点
- 应核对非平稳性与条件方差的具体设定、缺失数据处理所需假设，以及后验抽样和 WAIC 比较的实现细节。
- 阅读边界
- 所给为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明缺失机制、参数条件或 WAIC 差异数值。
原文摘要
We propose a multivariate GARCH model for non-stationary health time series by modifying the variance of the observations of the standard state space model. The proposed model provides an intuitive way of dealing with heteroskedastic data using the conditional nature of state space models. We follow the Bayesian paradigm to perform the inference procedure. In particular, we use Markov chain Monte Carlo methods to obtain samples from the resultant posterior distribution. Due to the natural temporal correlation structure induced on model parameters, we use the forward filtering backward sampling algorithm to efficiently obtain samples from the posterior distribution. The proposed model also handles missing data in a fully Bayesian fashion. We validate our model on synthetic data, and then use it to analyze a data set obtained from an intensive care unit in a Montreal hospital. We further show that our proposed models offer better performance, in terms of WAIC, than standard state space models. The proposed model provides a new way to model multivariate heteroskedastic non-stationary time series data and the simplicity in applying the WAIC allows us to compare competing models.