Spectral Subsampling MCMC for Stationary Multivariate Time Series with Applications to Vector ARTFIMA Processes
平稳多元时间序列的频谱子抽样 MCMC 及向量 ARTFIMA 应用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：摘要直接研究平稳多元时间序列、频谱似然和 ARTFIMA 记忆结构，按方法归入时间序列，未明确涉及宏观冲击识别。
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…
平稳多元时间序列的频谱子抽样 MCMC 及向量 ARTFIMA 应用
- 研究问题
- 对于较长的平稳多元时间序列，能否通过频域子抽样加速贝叶斯计算，并在具有半长记忆结构的模型中保持抽样效率与准确性？
- 方法与思路
- 作者将频谱子抽样 MCMC 扩展至多元 Whittle 似然，提出多元 ARTFIMA 模型并推导部分性质，比较频域与精确时域似然推断。
- 材料陈述的贡献
- 摘要称 Whittle 推断是快速且准确的替代方案；相较全数据频域方法，子抽样在所评估问题中最高额外加速约两个数量级。
- 阅读关注点
- 核对平稳性与记忆参数条件、Whittle 近似误差、频率子抽样机制，以及准确性、有效样本量和计算时间的比较口径。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出误差控制条件和完整实验设置，最高加速幅度不能视为普遍保证。
原文摘要
Spectral subsampling MCMC was recently proposed to speed up Markov chain Monte Carlo (MCMC) for long stationary univariate time series by subsampling periodogram observations in the frequency domain. This article extends the approach to multivariate time series using a multivariate generalisation of the Whittle likelihood. To assess the computational gains from spectral subsampling in challenging problems, a multivariate generalisation of the autoregressive tempered fractionally integrated moving average model (ARTFIMA) is introduced and some of its properties derived. Bayesian inference based on the Whittle likelihood is demonstrated to be a fast and accurate alternative to the exact time domain likelihood. Spectral subsampling is shown to provide up to two orders of magnitude additional speed-up, while retaining MCMC sampling efficiency and accuracy, compared to spectral methods using the full dataset. Keywords: Bayesian, Markov chain Monte Carlo, Semi-long memory, Spectral analysis, Whittle likelihood.