Robust Bayesian Model Selection for Autoregressive Processes with Additive Outliers
存在加性异常值的自回归过程的稳健贝叶斯模型选择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：摘要明确涉及自回归时间序列、异常值处理和未来观测的预测分布，直接支持时间序列与预测方向分类。
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…
存在加性异常值的自回归过程的稳健贝叶斯模型选择
- 研究问题
- 当时间序列存在加性异常值时，如何稳健比较不同阶数的自回归模型，并把模型不确定性纳入未来观测与谱的预测？
- 方法与思路
- 作者用稳健似然构造贝叶斯因子和模型后验概率，再加权模型条件预测分布，结合稳健滤波与修正拉普拉斯近似。
- 材料陈述的贡献
- 摘要提出兼顾异常值稳健性和模型平均的分析方法，并称其在模拟及真实、人工数据上表现良好，但未给出指标。
- 阅读关注点
- 应核对加性异常值模型、稳健似然的构造、有限参数范围下的积分近似，以及预测分布加权与模拟评价准则。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要未提供稳健性条件或量化比较，所述软件历史可用性不能代表当前可获取状态。
原文摘要
Autoregressive (AR) models of order k are often used for forecasting and control of time series, as well as for the estimation of functionals such as the spectrum. Here we propose a method that consists of calculating the posterior probabilities of the competing AR(k) models in a way that is robust to outliers, and then obtaining the predictive distributions of quantities of interest, such as future observations and the spectrum, as a weighted average of the predictive distributions conditional on each model. This method is based on the idea of robust Bayes factors, calculated by replacing the likelihood for the nominal model by a robust likelihood. It draws on and synthesizes several recent research advances, namely robust filtering and the Laplace method for integrals, modified to take account of the finite range of the parameters. The method performs well in simulation experiments and on real and artificial data. Software is available from StatLib.