贝叶斯时间序列模型的近似留未来外交叉验证
统计方法学
2020-07-02 v5
摘要
时间序列分析的常见目标之一是利用已观测序列为未来观测的预测提供信息。在缺乏实际新数据可供预测时，交叉验证可用于估计模型的未来预测精度，例如用于模型比较或选择。贝叶斯模型的精确交叉验证通常计算代价高昂，但已发展出近似交叉验证方法，最著名的是留一交叉验证（LOO-CV）的方法。若实际预测任务是基于过去预测未来，LOO-CV 会给出过于乐观的估计，因为来自未来观测的信息可用于影响对过去的预测。为恰当考虑时间序列结构，我们可以使用留未来外交叉验证（LFO-CV）。与精确 LOO-CV 类似，精确 LFO-CV 需要对数据的不同子集多次重拟合模型。利用 Pareto 平滑重要性采样，我们提出了一种近似精确 LFO-CV 的方法，在大幅降低计算成本的同时，还提供了关于近似质量的信息性诊断。
引用
@article{arxiv.1902.06281,
title = {Approximate leave-future-out cross-validation for Bayesian time series models},
author = {Paul-Christian Bürkner and Jonah Gabry and Aki Vehtari},
journal= {arXiv preprint arXiv:1902.06281},
year = {2020}
}
备注
28 pages, 15 figures, 2 tables