一种具有完全共轭满条件分布的异方差数据通用贝叶斯模型
统计方法学
2020-09-30 v1 统计计算
摘要
异方差数据模型在从金融时间序列到环境统计的广泛应用中都具有重要意义。然而，条件建模方差函数这一主题所受到的关注远不及均值建模。波动率模型已用于特定应用，但这些模型在贝叶斯框架下可能难以拟合，因为其 posterior 分布难以高效采样。在这项工作中，我们引入了一种异方差数据的通用模型。该方法以混合模型方式将条件方差建模为任意所需协变量或随机效应的函数。我们依赖新的分布理论来构造可产生完全共轭满条件分布的先验。因此，我们的方法可通过 Gibbs 采样轻松拟合。此外，我们将该模型扩展为一种可为时间依赖数据提供高精度估计的深度学习 approach。我们还提供了针对重尾数据的扩展。我们通过三个应用来说明我们的方法。第一个应用利用具有固有空间依赖性的高维土壤数据集。第二个应用涉及资产波动率的建模。第三个应用聚焦于肌酐的临床试验数据。
引用
@article{arxiv.2009.13636,
title = {A General Bayesian Model for Heteroskedastic Data with Fully Conjugate Full-Conditional Distributions},
author = {Paul A. Parker and Scott H. Holan and Skye A. Wills},
journal= {arXiv preprint arXiv:2009.13636},
year = {2020}
}