Bayesian semiparametric inference on long-range dependence
长程相依的贝叶斯半参数推断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：摘要明确以平稳长程相依时间序列和频域谱密度为研究对象，直接对应时间序列，未提供预测或因子模型方面的依据。
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
长程相依的贝叶斯半参数推断
- 研究问题
- 如何对平稳长程相依时间序列进行贝叶斯半参数分析，并协调谱密度不同部分的信息性先验与模糊先验？
- 方法与思路
- 作者在频域划分无限维参数空间，用贝叶斯因子选择对应于频率学带宽的问题，并通过马尔可夫链蒙特卡洛实施推断。
- 材料陈述的贡献
- 摘要称，方法刻画了谱密度非参数推断可用的无信息先验类别，讨论渐近性质及频率学比较，并用于模拟和真实数据。
- 阅读关注点
- 应核对参数空间如何分区、贝叶斯因子如何计算、无信息先验的可用条件，以及长程相依参数与谱密度推断的渐近结论。
- 阅读边界
- 依据版本未注明的索引摘要；先验选择、渐近条件和比较结果均未详细说明，不能据此认定优于频率学方法或适用于非平稳序列。
原文摘要
We develop a Bayesian semiparametric procedure for the analysis of stationary long‐range dependent time series. We use frequency domain methods to partition the infinite‐dimensional parameter space into regions where genuine prior information on the form of the spectral density is available, and others where vague prior beliefs are adopted; the solution to the partition problem, which is equivalent to bandwidth choice from a frequentist point of view, is obtained via Bayes factors. We derive a tight characterisation of the class of admissible noninformative priors for nonparametric inference on the spectral density of a stationary process. Asymptotic properties of our technique and comparisons with frequentist approaches are also considered; the suggested procedure is finally implemented via Markov chain Monte Carlo methods on simulated and real data.