Bayesian Model Discrimination and Bayes Factors for Linear Gaussian State Space Models
线性高斯状态空间模型的贝叶斯模型判别与贝叶斯因子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：摘要明确针对给定时间序列比较线性高斯状态空间模型，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
线性高斯状态空间模型的贝叶斯模型判别与贝叶斯因子
- 研究问题
- 对于同一时间序列的多个线性高斯状态空间模型，如何按贝叶斯决策原则选择模型，并处理边界假设、非嵌套和多模型比较？
- 方法与思路
- 作者以最小化期望损失为模型选择原则，通过 MCMC 对状态向量与未知超参数进行完整贝叶斯分析，并讨论特殊比较场景。
- 材料陈述的贡献
- 摘要称提供线性高斯状态空间模型的贝叶斯判别实施方法，并详细讨论参数空间边界上的假设、非嵌套模型及多个模型的比较。
- 阅读关注点
- 应核对损失函数与先验如何影响模型选择、贝叶斯因子和决策规则的关系，以及边界情形的处理和 MCMC 计算可靠性。
- 阅读边界
- 仅据所给 Crossref 摘要，无法确定贝叶斯因子的计算方式、先验敏感性或实际判别效果；摘要未报告与其他选择规则的比较结果。
原文摘要
SUMMARY It is shown how to discriminate between different linear Gaussian state space models for a given time series by means of a Bayesian approach which chooses the model that minimizes the expected loss. A practical implementation of this procedure requires a fully Bayesian analysis for both the state vector and the unknown hyperparameters and is carried out by Markov chain Monte Carlo methods. An application to some non-standard situations such as testing hypotheses on the boundary of the parameter space, discriminating non-nested models and discrimination of more than two models is discussed in detail.