Adaptive Bayesian Sum of Trees Model for Covariate Dependent Spectral Analysis
用于协变量依赖谱分析的自适应贝叶斯树和模型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：摘要明确研究多时间序列的功率谱估计，属于时间序列方法，所述应用为生物医学。
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
用于协变量依赖谱分析的自适应贝叶斯树和模型
- 研究问题
- 论文研究多个时间序列的功率谱如何随多种协变量变化，重点关注复杂交互、高维变量筛选，以及平滑和突变形式的谱变化。
- 方法与思路
- 作者用贝叶斯树和模型刻画协变量依赖，在叶节点以惩罚线性样条估计局部谱，并通过回拟合及可逆跳转抽样更新树结构。
- 材料陈述的贡献
- 摘要称稀疏狄利克雷超先验支持变量筛选，树的后验平均可恢复平滑与突变的谱变化，并用模拟及儿童步态成熟数据展示方法。
- 阅读关注点
- 阅读全文时应核对谱估计所需时间序列条件、样条与树先验的作用，以及抽样收敛、变量筛选稳定性和协变量变化的解释方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明理论保证、抽样诊断及具体误差表现，协变量关联也不等于因果效应。
原文摘要
This article introduces a flexible and adaptive nonparametric method for estimating the association between multiple covariates and power spectra of multiple time series. The proposed approach uses a Bayesian sum of trees model to capture complex dependencies and interactions between covariates and the power spectrum, which are often observed in studies of biomedical time series. Local power spectra corresponding to terminal nodes within trees are estimated nonparametrically using Bayesian penalized linear splines. The trees are considered to be random and fit using a Bayesian backfitting Markov chain Monte Carlo (MCMC) algorithm that sequentially considers tree modifications via reversible-jump MCMC techniques. For high-dimensional covariates, a sparsity-inducing Dirichlet hyperprior on tree splitting proportions is considered, which provides sparse estimation of covariate effects and efficient variable selection. By averaging over the posterior distribution of trees, the proposed method can recover both smooth and abrupt changes in the power spectrum across multiple covariates. Empirical performance is evaluated via simulations to demonstrate the proposed method's ability to accurately recover complex relationships and interactions. The proposed methodology is used to study gait maturation in young children by evaluating age-related changes in power spectra of stride interval time series in the presence of other covariates.