Warped Dynamic Linear Models for Time Series of Counts
用于计数时间序列的变换型动态线性模型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：摘要直接研究计数时间序列的状态空间建模、在线推断与概率预测，因此选择时间序列与预测方向。
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…
关注这篇论文的作者
用于计数时间序列的变换型动态线性模型
- 研究问题
- 如何兼顾计数数据的离散取值、灵活分布和动态线性模型的递归计算优势，为计数时间序列提供有效推断与预测？
- 方法与思路
- 作者对高斯动态线性模型施加非参数变换和取整，推导共轭滤波与平滑更新，并设计离线模拟及在线粒子滤波算法。
- 材料陈述的贡献
- 摘要称，框架统一并扩展多类离散时间序列模型，支持自然计数、取整值和多变量观测，并展示预测与计算表现。
- 阅读关注点
- 应核对变换算子的学习方式、共轭更新针对的条件分布、粒子滤波最优性的含义，以及预测区间和计算比较。
- 阅读边界
- 这是arXiv预印本，同行评审或接收未核实；摘要未给出先验和算法细节，预测优势仅有概述，尚不能判断适用边界。
原文摘要
Dynamic Linear Models (DLMs) are commonly employed for time series analysis due to their versatile structure, simple recursive updating, ability to handle missing data, and probabilistic forecasting. However, the options for count time series are limited: Gaussian DLMs require continuous data, while Poisson-based alternatives often lack sufficient modeling flexibility. We introduce a novel semiparametric methodology for count time series by warping a Gaussian DLM. The warping function has two components: a (nonparametric) transformation operator that provides distributional flexibility and a rounding operator that ensures the correct support for the discrete data-generating process. We develop conjugate inference for the warped DLM, which enables analytic and recursive updates for the state space filtering and smoothing distributions. We leverage these results to produce customized and efficient algorithms for inference and forecasting, including Monte Carlo simulation for offline analysis and an optimal particle filter for online inference. This framework unifies and extends a variety of discrete time series models and is valid for natural counts, rounded values, and multivariate observations. Simulation studies illustrate the excellent forecasting capabilities of the warped DLM. The proposed approach is applied to a multivariate time series of daily overdose counts and demonstrates both modeling and computational successes.