Bayesian Inference in Cyclical Component Dynamic Linear Models
周期成分动态线性模型中的贝叶斯推断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：摘要明确研究非平稳时间序列的时变周期成分与动态线性模型，直接对应时间序列方法。
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
周期成分动态线性模型中的贝叶斯推断
- 研究问题
- 对具有持续但随时间变化周期行为的非平稳时间序列，如何推断多个周期的波长，并刻画振幅、相位及随机扰动的变化？
- 方法与思路
- 作者构建含时变周期成分的动态线性模型，区分观测噪声与影响波形的创新，并用迭代随机模拟开展贝叶斯推断。
- 材料陈述的贡献
- 摘要称方法支持多个持续周期及其振幅、相位变化的推断，同时为动态线性模型的状态演化矩阵参数和方差成分推断提供基础。
- 阅读关注点
- 核对周期波长与时变振幅、相位的识别，查看先验、状态演化设定及模拟算法，并检查噪声和创新的区分方式。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体先验、识别条件及模拟表现未说明，摘要也未报告预测优势或刊本变化。
原文摘要
Dynamic linear models (DLM's) with time-varying cyclical components are developed for the analysis of time series with persistent though time-varying cyclical behavior. The development covers inference on wavelengths of possibly several persistent cycles in nonstationary time series, permitting explicit time variation in amplitudes and phases of component waveforms, decomposition of stochastic inputs into purely observational noise and innovations that impact on the waveform characteristics, with extensions to incorporate ranges of (time-varying) time series and regression terms wihin the standard DLM context. Bayesian inference via iterative stochastic simulation methods is developed and illustrated. Some indications of model extensions and generalizations are given. In addition to the specific focus on cyclical component models, the development provides the basis for Bayesian inference, via stochastic simulation, for state evolution matrix parameters and variance components in DLM's, building on recent work on Gibbs sampling for state vectors in such models by other authors.