Exact Bayesian Inference for Diffusion-Driven Cox Processes
扩散驱动 Cox 过程的精确贝叶斯推断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：摘要讨论一般扩散驱动点过程，未说明金融高频数据或宏观应用，不能仅凭过程类型指定经济细分。
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…
扩散驱动 Cox 过程的精确贝叶斯推断
- 研究问题
- 当 Cox 过程强度由扩散过程驱动，且似然与扩散转移密度均难以处理时，如何开展不引入时间离散化误差的贝叶斯推断？
- 方法与思路
- 作者提出基于 MCMC 的推断方法，利用回溯抽样技术实现其精确性，并通过模拟考察效率、以真实数据分析展示适用性。
- 材料陈述的贡献
- 摘要称，方法在似然和转移密度不可直接处理的情况下仍避免离散化误差，为该类扩散驱动点过程提供贝叶斯计算方案。
- 阅读关注点
- 应核对扩散和强度函数的允许类别、回溯抽样如何实现精确性，以及 MCMC 混合、计算成本与有限次模拟误差如何评估。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；模型限制和效率数值未提供，无离散化误差不等于有限次 MCMC 输出完全没有蒙特卡洛误差。
原文摘要
In this article, we present a novel methodology to perform Bayesian inference for Cox processes in which the intensity function is driven by a diffusion process.The novelty lies in the fact that no discretization error is involved, despite the non-tractability of both the likelihood function and the transition density of the diffusion.The methodology is based on an MCMC algorithm and its exactness is built on retrospective sampling techniques.The efficiency of the methodology is investigated in some simulated examples and its applicability is illustrated in some real data analyzes.Supplementary materials for this article are available online.