Auxiliary mixture sampling for parameter-driven models of time series of counts with applications to state space modelling
计数时间序列参数驱动模型的辅助混合抽样及状态空间应用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。
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：摘要直接研究计数时间序列的状态空间模型，并明确指出Poisson面板数据模型扩展。
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…
计数时间序列参数驱动模型的辅助混合抽样及状态空间应用
- 研究问题
- 对于Poisson均值由潜在过程驱动的计数时间序列，如何构造便于实施的贝叶斯抽样，并扩展到相关参数驱动模型？
- 方法与思路
- 作者通过数据增广与MCMC提出辅助混合抽样器，采用Gibbs转移核，使每一步仅需从标准分布族的全条件分布抽样。
- 材料陈述的贡献
- 摘要称该抽样器适用于计数状态空间模型，并可扩展至更广的参数驱动模型，包括Poisson随机效应和面板数据模型。
- 阅读关注点
- 应核对辅助变量和混合表示的构造、目标后验是否包含近似，以及潜在过程设定、抽样混合表现与面板扩展条件。
- 阅读边界
- OpenAlex索引未注明稿件版本；摘要未给出算法效率、误差或收敛比较，不能因全条件分布标准化就认定总体计算更优。
原文摘要
We consider parameter-driven models of time series of counts, where the observations are assumed to arise from a Poisson distribution with a mean changing over time according to a latent process. Estimation of these models is carried out within a Bayesian framework using data augmentation and Markov chain Monte Carlo methods. We suggest a new auxiliary mixture sampler, which possesses a Gibbsian transition kernel, where we draw from full conditional distributions belonging to standard distribution families only. Emphasis lies on application to state space modelling of time series of counts, but we show that auxiliary mixture sampling may be applied to a wider range of parameter-driven models, including random-effects models and panel data models based on the Poisson distribution. Copyright 2006, Oxford University Press.