Bayesian inference of sparsity in stable vector autoregressive processes
稳定向量自回归过程稀疏性的贝叶斯推断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。
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：摘要的核心模型是高维向量自回归，并包含宏观经济时间序列应用。
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…
稳定向量自回归过程稀疏性的贝叶斯推断
- 研究问题
- 如何在高维图形向量自回归中同时满足稳定性和稀疏性要求，并学习变量间的格兰杰非因果与同期条件独立关系？
- 方法与思路
- 作者通过参数扩展构造限制在平稳区域内的尖峰厚尾先验，为误差精度矩阵设置混合 G-Wishart 先验并开展采样。
- 材料陈述的贡献
- 摘要提出兼顾平稳性与稀疏性的贝叶斯建模方案，并以模拟、宏观经济和神经科学应用展示推断与预测方面的收益。
- 阅读关注点
- 应核对参数扩展如何保持平稳约束、稀疏结构的先验含义，以及采样混合、计算成本与预测比较的设计。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未量化收益，格兰杰关系也不能直接等同于干预因果关系。
原文摘要
Advances in sensing technology have made it possible to collect large volumes of high-dimensional time-series data. In fields like genetics and neuroscience, key questions concern whether directed relationships between variables can be learned from these data. To this end, graphical vector autoregressions are a popular tool because zeros among the autoregressive coefficients and error precision matrix have natural interpretations in terms of Granger non-causality and contemporaneous conditional independence. In applications where system dynamics are subject to functional or structural constraints, assuming the process is stable can be advantageous. However, enforcing stability demands restricting the autoregressive coefficients to lie in a constrained space with a complex geometry called the stationary region. The resulting inferential challenges are compounded when sparsity is also a requirement. Working in the Bayesian paradigm, we tackle the problem of developing a prior that simultaneously enforces stationarity and sparsity through parameter expansion, constructing a spike-and-slab prior with support constrained to the stationary region. A mixture of G-Wishart distributions provides a sparse prior for the error precision matrix. Computational inference is carried out using Metropolis-within-Gibbs, exploiting the No-U-Turn Sampler and reversible-jump steps. We demonstrate the inferential and predictive benefits of our approach through simulations and applications in macroeconomics and neuroscience.