The scan sampler for time series models
用于时间序列模型的扫描抽样器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：摘要明确面向时间序列的状态空间模型及滤波和平滑计算，直接支持时间序列分类，但未说明预测或金融应用。
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
用于时间序列模型的扫描抽样器
- 研究问题
- 状态空间时间序列模型具有非高斯观测时，如何利用已有滤波和平滑工具开展贝叶斯抽样，并寻找后验众数？
- 方法与思路
- 作者提出扫描抽样器，以 Kalman 滤波和平滑算法为基础，用于非高斯观测状态空间模型的 MCMC 推断与后验众数计算。
- 材料陈述的贡献
- 摘要称该算法可用于非高斯状态空间时间序列的多种分析任务，并兼具后验抽样和众数搜索用途，但未报告性能比较。
- 阅读关注点
- 应核对非高斯观测如何进入更新步骤、抽样与众数搜索各自的实现，以及算法适用条件、收敛论证和计算成本。
- 阅读边界
- OpenAlex 索引摘要未注明稿件版本；未提供算法细节、收敛条件及效率结果，不能仅凭 Kalman 基础推断其精确性或速度。
原文摘要
An algorithm, called the scan sampler, is developed and discussed. The scan sampler has a variety of uses for time series analysis based on the state space model with non-Gaussian observations. The algorithm is based on the Kalman filter/smoothing algorithm. It can be used for Bayesian inference using Markov chain Monte Carlo and to find posterior modes.