Covariance-Corrected WAIC for Bayesian Sequential Data Models
贝叶斯序列数据模型的协方差修正 WAICAI 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：摘要明确针对序列依赖，并用不同长度及时间依赖强度的时间序列开展模拟评估。
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
贝叶斯序列数据模型的协方差修正 WAIC
- 研究问题
- 对具有时间或结构依赖的贝叶斯序列数据，如何调整 WAIC 的复杂度修正，使模型选择考虑似然贡献之间的依赖？
- 方法与思路
- 作者提出 CC-WAIC，纳入对数似然贡献的完整后验协方差结构，并利用有效样本量修正 MCMC 估计中的偏差。
- 材料陈述的贡献
- 摘要称其给出准则的数学推导与示例，并通过不同序列长度和依赖强度的模拟评估稳定性及依赖数据下的适用性。
- 阅读关注点
- 应核对准则针对的预测目标、似然贡献的划分、协方差修正推导，以及有效样本量修正与模拟比较的具体实现。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未经核实；摘要未给出准则公式或模拟数值，稳定性优势仍需核对具体设定。
原文摘要
This paper introduces and develops a theoretical extension of the widely applicable information criterion (WAIC), called the Covariance-Corrected WAIC (CC-WAIC), that applied for Bayesian sequential data models. The CC-WAIC accounts for temporal or structural dependence by incorporating the full posterior covariance structure of the log-likelihood contributions, in contrast to the classical WAIC that assumes conditional independence among data. We exploit the limitations of classical WAIC in the sequential data contexts and derive the CC-WAIC criterion under a theoretical framework. In addition, we propose a bias correction based on effective sample size to improve estimation from Markov Chain Monte Carlo (MCMC) simulations. Furthermore, we highlight the advantages of CC-WAIC in terms of stability and appropriateness for dependent data. This new criterion is supported by formal mathematical derivations, illustrative examples, and discussion of implications for model selection in both classical and modern Bayesian applications. To evaluate the reliability of CC-WAIC under varying data regimes, we conduct simulation experiments across multiple time series lengths (small, medium, and large) and different levels of temporal dependence, enabling a comprehensive performance assessment.