Bayesian Inference for High-dimensional Time Series with a Stationary Directed Acyclic Graphical Structure
具有平稳有向无环图结构的高维时间序列贝叶斯推断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：摘要明确研究高维多变量及矩阵型时间序列的结构建模与贝叶斯推断。
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…
具有平稳有向无环图结构的高维时间序列贝叶斯推断
- 研究问题
- 如何在高维多变量时间序列中利用有向无环图表达条件独立和结构关系，同时纳入平稳性，并进行可计算的贝叶斯推断？
- 方法与思路
- 作者提出带 DAG 结构的贝叶斯时间序列模型，扩展到矩阵型序列，并开发基于 immersion-posterior 的计算算法。
- 材料陈述的贡献
- 摘要称建立后验收敛性质和非受限结构方程模型的两个可识别性结果，并通过模拟及真实数据分析展示方法用途。
- 阅读关注点
- 应核对图如何区分同期与跨期关系、平稳性如何施加、两个识别结果各自的条件，以及计算算法和后验收敛的适用范围。
- 阅读边界
- 来源为 arXiv 预印本，同行评审或期刊接收未经核实；摘要未列明结构识别假设，仅有 DAG 表示不能保证关系具有因果解释。
原文摘要
In multivariate time series analysis, understanding the underlying causal relationships among variables is often of interest for various applications. Directed acyclic graphs (DAGs) provide a powerful framework for representing causal dependencies. This paper proposes a novel Bayesian approach for modeling multivariate time series where conditional independencies and causal structure are encoded by a DAG. The proposed model allows structural properties such as stationarity to be easily accommodated. Given the application, we further extend the model for matrix-variate time series. We take a Bayesian approach to inference, and a ``immersion-posterior'' based efficient computational algorithm is developed. The posterior convergence properties of the proposed method are established along with two identifiability results for the unrestricted structural equation models. The utility of the proposed method is demonstrated through simulation studies and real data analysis.