Bayesian Inference of Trend and Difference-Stationarity
趋势平稳与差分平稳的贝叶斯推断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。
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：摘要涉及趋势与差分平稳的时间序列比较，并明确允许过程及优选模型随时间改变。
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
趋势平稳与差分平稳的贝叶斯推断
- 研究问题
- 如何在贝叶斯框架下区分趋势平稳与差分平稳，并允许同一序列的不同时间区段支持不同模型，而非始终由一个模型生成？
- 方法与思路
- 作者逐个观测计算竞争模型的后验概率，将通常的贝叶斯模型比较赔率推广到随时间变化的比较，并用 Gibbs 抽样处理计算困难。
- 材料陈述的贡献
- 摘要称，该框架能够考察序列不同区段对竞争模型的支持是否不同，并以一个真实案例展示方法，但未报告具体比较结果。
- 阅读关注点
- 应核对逐观测后验概率的定义、模型随时间变化的设定、先验与 Gibbs 抽样步骤，以及区段差异如何转化为可解释的结论。
- 阅读边界
- 仅依据所给 Crossref 摘要；模型切换机制、数据案例和计算诊断未说明，不能据此认定方法能准确定位结构变化或推断其他版本内容。
原文摘要
This paper proposes a general Bayesian framework for distinguishing between trend- and difference-stationarity. Usually, in model selection, we assume that all of the data were generated by one of the models under consideration. In studying time series, however, we may be concerned that the process is changing over time, so that the preferred model changes over time as well. To handle this possibility, we compute the posterior probabilities of the competing models for each observation . This way we can see if different segments of the series behave differently with respect to the competing models. The proposed method is a generalization of the usual odds ratio for model discrimination in Bayesian inference. In application, we employ the Gibbs sampler to overcome the computational difficulty. The procedure is illustrated by a real example.