Local Spectral Analysis via a Bayesian Mixture of Smoothing Splines
利用贝叶斯平滑样条混合进行局部谱分析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：摘要明确针对非平稳时间序列估计时变局部谱，直接属于时间序列方法。
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
利用贝叶斯平滑样条混合进行局部谱分析
- 研究问题
- 如何估计非平稳时间序列随时间变化的局部谱，并同时表达谱成分数量的不确定性及各时点谱估计的可信区间？
- 方法与思路
- 作者先将数据划分为小段，以时变权重混合平滑样条描述局部对数谱，通过 MCMC 拟合，并利用可逆跳跃步骤选择谱成分数。
- 材料陈述的贡献
- 摘要称，该方法可估计 Dahlhaus 局部对数谱及其逐点可信区间，同时得到分段谱成分估计，并自动确定不同谱成分的数量。
- 阅读关注点
- 阅读时应核对分段尺度与局部平稳设定、混合权重及样条先验、可逆跳跃的实现和收敛诊断，以及逐点区间的解释范围。
- 阅读边界
- 材料为稿件版本未注明的 OpenAlex 索引摘要；摘要未给出误差界、区间校准或性能比较，逐点可信区间不能直接理解为同时覆盖保证。
原文摘要
In many practical problems, time series are realizations of nonstationary random processes. These processes can often be modeled as processes with slowly changing dynamics or as piecewise stationary processes. In these cases, various approaches to estimating the time-varying spectral density have been proposed. Our approach in this article is to estimate the log of the Dahlhaus local spectrum using a Bayesian mixture of splines. The basic idea of our approach is to first partition the data into small sections. We then assume that the log spectral density of the evolutionary process in any given partition is a mixture of individual log spectra. We use a mixture of smoothing splines model with time varying mixing weights to estimate the evolutionary log spectrum. The mixture model is fit using Markov chain Monte Carlo techniques that yield estimates of the log spectra of the individual subsections. In addition to an estimate of the local log spectral density, the method yields pointwise credible intervals. We use a reversible jump step to automatically determine the number of different spectral components.