Beta-product dependent Pitman–Yor processes for Bayesian inference
用于贝叶斯推断的贝塔乘积相依Pitman–Yor过程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：摘要明确构建多时间序列与向量自回归模型，并应用于美国和欧盟商业周期。
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…
用于贝叶斯推断的贝塔乘积相依Pitman–Yor过程
- 研究问题
- 多条时间序列的聚类结构可能随时间变化且彼此相关时，如何灵活描述这种依赖，并控制跨序列的信息共享程度？
- 方法与思路
- 作者构造多变量相依Pitman–Yor过程，以相依断棒向量描述聚类结构，并通过分层基准测度与MCMC实施后验计算。
- 材料陈述的贡献
- 摘要称，新过程可建立贝叶斯非参数重复测量与向量自回归模型，并提供理论性质、计算算法、模拟及美欧商业周期应用。
- 阅读关注点
- 应核对贝塔乘积如何生成跨序列依赖、分层信息共享的含义，以及先验设定、MCMC收敛诊断和商业周期比较结果。
- 阅读边界
- 所给出版社摘要未列出具体理论性质、算法精度或效果指标，因此无法仅据其判断依赖识别能力与计算效率优势。
原文摘要
Multiple time series data may exhibit clustering over time and the clustering effect may change across different series. This paper is motivated by the Bayesian non-parametric modelling of the dependence between clustering effects in multiple time series analysis. We follow a Dirichlet process mixture approach and define a new class of multivariate dependent Pitman–Yor processes (DPY). The proposed DPY are represented in terms of vectors of stick-breaking processes which determine dependent clustering structures in the time series. We follow a hierarchical specification of the DPY base measure to account for various degrees of information pooling across the series. We discuss some theoretical properties of the DPY and use them to define Bayesian non-parametric repeated measurement and vector autoregressive models. We provide efficient Monte Carlo Markov Chain algorithms for posterior computation of the proposed models and illustrate the effectiveness of the method with a simulation study and an application to the United States and the European Union business cycle.