Bayesian Estimation of the Spectral Density of a Time Series
时间序列谱密度的贝叶斯估计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：摘要明确研究平稳时间序列的谱密度估计与频域贝叶斯推断。
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…
时间序列谱密度的贝叶斯估计
- 研究问题
- 对于平稳时间序列，如何在不指定有限维谱模型的情况下估计谱密度，并为基于近似似然的后验分析提供一致性依据？
- 方法与思路
- 作者用 Bernstein 多项式构造非参数谱密度先验，以 Whittle 似然更新得到伪后验，并通过 MCMC 计算后验统计量。
- 材料陈述的贡献
- 摘要称在短记忆高斯序列及先验条件下证明伪后验一致性，并扩展 Schwartz 一致性定理，提供模拟和太阳黑子应用。
- 阅读关注点
- 应核对先验支持条件、Whittle 近似的作用、短记忆限制，以及三角阵一致性定理如何用于伪后验证明。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；一致性有高斯短记忆及先验条件，摘要未说明比较结果，不能外推至长记忆序列。
原文摘要
This article describes a Bayesian approach to estimating the spectral density of a stationary time series. A nonparametric prior on the spectral density is described through Bernstein polynomials. Because the actual likelihood is very complicated, a pseudoposterior distribution is obtained by updating the prior using the Whittle likelihood. A Markov chain Monte Carlo algorithm for sampling from this posterior distribution is described that is used for computing the posterior mean, variance, and other statistics. A consistency result is established for this pseudoposterior distribution that holds for a short-memory Gaussian time series and under some conditions on the prior. To prove this asymptotic result, a general consistency theorem of Schwartz is extended for a triangular array of independent, nonidentically distributed observations. This extension is also of independent interest. A simulation study is conducted to compare the proposed method with some existing methods. The method is illustrated with the well-studied sunspot dataset.