On Gibbs sampling for state space models
状态空间模型的吉布斯抽样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：摘要研究时间演化的状态空间模型及滤波辅助的贝叶斯推断。
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
状态空间模型的吉布斯抽样
- 研究问题
- 在线性状态空间模型具有正态混合误差和随时间切换系数时，如何高效开展贝叶斯抽样并改善逐状态更新的表现？
- 方法与思路
- 作者在给定混合与系数指示变量时联合抽取整条状态向量，再条件于状态联合抽取指示变量，并利用卡尔曼滤波。
- 材料陈述的贡献
- 摘要称示例中的经验比较支持整块状态更新的可实施性，并显示其表现优于逐个状态生成的另一吉布斯抽样器。
- 阅读关注点
- 应核对状态和指示变量的联合更新步骤、卡尔曼滤波如何参与抽样，以及比较采用的混合效率和计算成本指标。
- 阅读边界
- 仅据所给出版社摘要，经验比较不能证明所有模型中均占优；切换机制、先验、收敛条件及具体数值未说明。
原文摘要
We show how to use the Gibbs sampler to carry out Bayesian inference on a linear state space model with errors that are a mixture of normals and coefficients that can switch over time. Our approach simultaneously generates the whole of the state vector given the mixture and coefficient indicator variables and simultaneously generates all the indicator variables conditional on the state vectors. The states are generated efficiently using the Kalman filter. We illustrate our approach by several examples and empirically compare its performance to another Gibbs sampler where the states are generated one at a time. The empirical results suggest that our approach is both practical to implement and dominates the Gibbs sampler that generates the states one at a time.