Robust Bayesian Model Selection for Autoregressive Processes With Additive Outliers
含加性异常值的自回归过程稳健贝叶斯模型选择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：摘要明确处理自回归时间序列的异常值与阶数选择，并构造未来观测的模型平均预测分布，因此归入时间序列及预测方向。
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…
含加性异常值的自回归过程稳健贝叶斯模型选择
- 研究问题
- 自回归时间序列含加性异常值时，如何稳健比较不同阶数模型，并把模型选择的不确定性纳入未来观测和谱的预测分布？
- 方法与思路
- 作者以稳健似然替代名义模型似然来计算贝叶斯因子，结合稳健滤波和修正 Laplace 近似，再按模型后验概率平均预测分布。
- 材料陈述的贡献
- 摘要称该方法在模拟、真实及人工数据中表现良好，并统一处理自回归阶数选择和模型平均预测；摘要还提及软件。
- 阅读关注点
- 应核对稳健似然针对的异常值机制、贝叶斯因子的先验敏感性，以及积分近似和模型平均对预测分布的影响。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；稳健性范围及性能数值未说明，摘要中的历史软件信息也不能证明当前仍可获取。
原文摘要
Autoregressive (AR) models of order k are often used for forecasting and control of time series, as well as for the estimation of functionals such as the spectrum. Here we propose a method that consists of calculating the posterior probabilities of the competing AR(k) models in a way that is robust to outliers, and then obtaining the predictive distributions of quantities of interest, such as future observations and the spectrum, as a weighted average of the predictive distributions conditional on each model. This method is based on the idea of robust Bayes factors, calculated by replacing the likelihood for the nominal model by a robust likelihood. It draws on and synthesizes several recent research advances, namely robust filtering and the Laplace method for integrals, modified to take account of the finite range of the parameters. The method performs well in simulation experiments and on real and artificial data. Software is available from StatLib.