Bayes Procedures for the Classification of Multiple Polynomial Trends with Dependent Residuals
具有相关残差的多元多项式趋势分类贝叶斯方法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：摘要明确用多项式时间趋势和具有平稳、可逆性质的ARMA残差描述数据，直接对应时间序列建模方向。
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
具有相关残差的多元多项式趋势分类贝叶斯方法
- 研究问题
- 研究如何对多元时间依赖数据进行分类，尤其关注多项式趋势与相邻残差相关性同时存在时各分类程序的性质。
- 方法与思路
- 作者考察三种分类程序，在多项式回归描述时间变化、平稳且可逆ARMA过程描述残差关系的设定下分析贝叶斯性质。
- 材料陈述的贡献
- 摘要称证明其中两种程序属于贝叶斯程序，并讨论各程序在实际应用中的相对优势及所采用模型的限制。
- 阅读关注点
- 应核对三种程序的区别、贝叶斯结论对应的先验和损失，以及趋势阶数与ARMA残差设定对分类规则的影响。
- 阅读边界
- 仅据版本未注明的索引摘要，未说明先验、损失函数或性能结果；贝叶斯性质依赖所述模型，不能推广至任意时间依赖。
原文摘要
Three procedures for the classification of multivariate time-dependent data are examined. Two are shown to be Bayes procedures assuming that the time dependence of the data can be described by polynomial regression functions and that the relation among successive residuals is described by a stationary and invertible ARMA process. Relative advantages of these procedures in practical applications and limitations of the model are discussed.