Novel Bayesian algorithms for ARFIMA long-memory processes: a comparison between MCMC and ABC approaches
ARFIMA 长记忆过程的新贝叶斯算法：MCMC 与 ABC 的比较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：摘要明确估计 ARFIMA 长记忆时间序列模型，并应用于美国季度 GNP，支持时间序列分类，未研究金融收益预测。
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
ARFIMA 长记忆过程的新贝叶斯算法：MCMC 与 ABC 的比较
- 研究问题
- 在同时具有长记忆与短期动态的 ARFIMA 模型中，如何通过贝叶斯方法估计参数，并比较不同计算方案的表现？
- 方法与思路
- 作者提出将序列滤分为长记忆与 ARMA 部分的新 MCMC 算法，以及采用三种摘要统计量进行后验估计的新 ABC 方法。
- 材料陈述的贡献
- 摘要称，模拟与美国季度 GNP 应用支持这些方法的参数估计表现，其中滤分 MCMC 在所比较的若干指标上表现更好。
- 阅读关注点
- 核对滤分步骤如何保留参数不确定性、ABC 摘要统计量和容差选择，以及算法收敛、计算成本与比较指标的设置。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未报告指标数值，所列 GNP 应用不能支持金融收益结论。
原文摘要
This paper presents a comparative study of two Bayesian approaches - Markov Chain Monte Carlo (MCMC) and Approximate Bayesian Computation (ABC) - for estimating the parameters of autoregressive fractionally-integrated moving average (ARFIMA) models, which are widely used to capture long-memory in time series data. We propose a novel MCMC algorithm that filters the time series into distinct long-memory and ARMA components, and benchmarked it against standard approaches. Additionally, a new ABC method is proposed, using three different summary statistics used for posterior estimation. The methods are implemented and evaluated through an extensive simulation study, as well as applied to a real-world financial dataset, specifically the quarterly U.S. Gross National Product (GNP) series. The results demonstrate the effectiveness of the Bayesian methods in estimating long-memory and short-memory parameters, with the filtered MCMC showing superior performance in various metrics. This study enhances our understanding of Bayesian techniques in ARFIMA modeling, providing insights into their advantages and limitations when applied to complex time series data.