Flexible Bayesian Product Mixture Models for Vector Autoregressions
用于向量自回归的灵活贝叶斯乘积混合模型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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要的方法核心是多主体 VAR 时间序列建模，未涉及结构冲击识别或金融因子。
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
用于向量自回归的灵活贝叶斯乘积混合模型
- 研究问题
- 当不同样本或个体仅共享部分参数时，如何在多主体 VAR 模型中实现灵活聚类和不同程度的信息共享？
- 方法与思路
- 作者构造 Dirichlet 过程位置尺度混合的乘积，使多个尺度可独立聚类，再从独立多变量数据扩展到多主体 VAR。
- 材料陈述的贡献
- 摘要称建立后验一致性并设计后验计算，数值研究展示估计、聚类和特征选择优势，另报告脑影像与空气污染应用。
- 阅读关注点
- 应核对乘积混合的参数共享结构、后验一致性的适用条件、计算与收敛诊断，以及比较方法和预测评估是否匹配。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收状态未核实。摘要未给出一致性条件或优势幅度，应用中的连接差异也不能直接解释为因果。
原文摘要
Bayesian non-parametric methods based on Dirichlet process mixtures have seen tremendous success in various domains and are appealing in being able to borrow information by clustering samples that share identical parameters. However, such methods can face hurdles in heterogeneous settings where objects are expected to cluster only along a subset of axes or where clusters of samples share only a subset of identical parameters. We overcome such limitations by developing a novel class of product of Dirichlet process location-scale mixtures that enable independent clustering at multiple scales, which result in varying levels of information sharing across samples. First, we develop the approach for independent multivariate data. Subsequently we generalize it to multivariate time-series data under the framework of multi-subject Vector Autoregressive (VAR) models that is our primary focus, which go beyond parametric single-subject VAR models. We establish posterior consistency and develop efficient posterior computation for implementation. Extensive numerical studies involving VAR models show distinct advantages over competing methods, in terms of estimation, clustering, and feature selection accuracy. Our resting state fMRI analysis from the Human Connectome Project reveals biologically interpretable connectivity differences between distinct intelligence groups, while another air pollution application illustrates the superior forecasting accuracy compared to alternate methods.