Bayes Estimation of GLARMA Models With Applications
GLARMA 模型的贝叶斯估计及应用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：摘要研究非高斯 GLARMA 的序列动态与贝叶斯估计，直接属于时间序列方法，应用中的主成分不构成宏观因子模型证据。
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
GLARMA 模型的贝叶斯估计及应用
- 研究问题
- 对于计数、有界和正值非高斯时间序列，如何统一实施 GLARMA 参数的贝叶斯估计，并考察高持续性情形下的估计稳定性？
- 方法与思路
- 作者在 nimble 中构建统一 MCMC 程序，讨论先验设定，并对负二项、Beta 和 Gamma GLARMA 开展点估计、区间与先验敏感性模拟。
- 材料陈述的贡献
- 摘要称，该框架在所考察设置下提供可靠稳定估计，并以带季节项的核电发电量和结合污染协变量的住院计数展示适用性。
- 阅读关注点
- 应核对各模型的参数与平稳区域、先验约束和 MCMC 收敛诊断，以及接近平稳边界时区间覆盖和先验敏感性表现。
- 阅读边界
- 所给版本为 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未提供具体模拟数值、收敛证据或相对其他方法的优势。
原文摘要
This work presents a Bayesian approach for parameter estimation in the class of Generalized Linear Autoregressive Moving Average (GLARMA) models, extending the methodology beyond the common exponential family setting. The proposed framework accommodates positive, double-bounded, and count time series through a unified MCMC-based estimation procedure implemented in \texttt{nimble}. We discuss prior specifications for the model parameters and conduct an extensive Monte Carlo simulation study to evaluate the finite-sample performance of the approach under three distinct data-generating mechanisms: Negative Binomial-GLARMA for count data, Beta-GLARMA for double-bounded outcomes, and Gamma-GLARMA for positive continuous time series. The simulation study assesses point and interval estimation, prior sensitivity, and the behaviour of the estimators under varying levels of temporal persistence, including challenging scenarios near the boundaries of the stationarity region. The practical utility of the proposed framework is illustrated through two empirical applications: analysing monthly net electricity generation by nuclear plants in the United States using a Gamma-GLARMA model with harmonic seasonal components; and modelling monthly hospital admissions due to chronic obstructive pulmonary disease in Belo Horizonte, Brazil, using a Negative Binomial-GLARMA model with principal components derived from air pollution covariates. The results demonstrate that the proposed Bayesian framework provides reliable and stable estimation across all settings, offering a flexible and practical tool for analysing non-Gaussian time series in a wide range of applications.