Locally Adaptive Shrinkage Priors for Trends and Breaks in Count Time Series
计数时间序列趋势与突变的局部自适应收缩先验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：摘要围绕非平稳计数时间序列的趋势、突变及局部动态建模，支持时间序列与结构变化方向。
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…
关注这篇论文的作者
计数时间序列趋势与突变的局部自适应收缩先验
- 研究问题
- 对于包含低计数、偶发尖峰和趋势突变的非平稳计数时间序列，如何同时捕捉局部瞬态特征、平滑趋势及估计不确定性？
- 方法与思路
- 作者提出负二项贝叶斯趋势滤波模型，以具有时间依赖的动态全局—局部收缩过程进行局部正则化，并开展模拟和停电频次应用。
- 材料陈述的贡献
- 摘要称该框架可适应多尺度特征并保持整数响应推断，模拟中优于若干替代趋势滤波方法，应用展示了趋势估计和不确定性量化。
- 阅读关注点
- 应核对负二项观测层、动态收缩先验及计算算法，关注突变与随机尖峰的区分，以及低计数环境中的区间表现和比较设置。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未提供先验细节、覆盖率或模拟数值，所述优势仅涉及摘要中的比较场景。
原文摘要
Non-stationary count time series characterized by features such as abrupt changes and fluctuations about the trend arise in many scientific domains including biophysics, ecology, energy, epidemiology, and social science domains. Current approaches for integer-valued time series lack the flexibility to capture local transient features while more flexible models for continuous data types are inadequate for universal applications to integer-valued responses such as settings with small counts. We present a modeling framework, the negative binomial Bayesian trend filter (NB-BTF), that offers an adaptive model-based solution to capturing multiscale features with valid integer-valued inference for trend filtering. The framework is a hierarchical Bayesian model with a dynamic global-local shrinkage process. The flexibility of the global-local process allows for the necessary local regularization while the temporal dependence induces a locally smooth trend. In simulation, the NB-BTF outperforms a number of alternative trend filtering methods. Then, we demonstrate the method on weekly power outage frequency in Massachusetts townships. Power outage frequency is characterized by a nominal low level with occasional spikes. These illustrations show the estimation of a smooth, non-stationary trend with adequate uncertainty quantification.