空间相关函数型时间序列的贝叶斯变点估计
统计方法学
2022-01-11 v1 应用统计
摘要
我们提出一种贝叶斯分层模型，用于同时估计空间相关函数型时间序列中基于均值的变点。与先前假设所有空间位置共享同一变点或无视空间相关性的方法不同，我们的方法将变点视为一个空间过程。这使得我们的模型能够尊重空间异质性并利用空间相关性来改进估计。我们的方法源自普遍存在的累积和（CUSUM）统计量，该统计量在函数型时间序列变点检测中占主导地位。然而，我们并非直接搜索基于 CUSUM 的过程的最大值，而是构建具有适当方差结构的空间相关两段线性模型，一次性定位所有变点。所提出的线性模型方法增强了我们的方法对 CUSUM 过程变异性的鲁棒性，其与我们的空间相关性模型相结合，改进了边缘附近的变点估计。我们通过广泛的模拟研究证明，在弱或强空间相关性以及弱或强变点信号下，我们的方法在估计精度和不确定性量化方面均优于现有的函数型变点估计器。最后，我们使用一个温度数据集和一项 2019 冠状病毒病（COVID-19）研究来展示我们的方法。
引用
@article{arxiv.2201.02742,
title = {Bayesian Changepoint Estimation for Spatially Indexed Functional Time Series},
author = {Mengchen Wang and Trevor Harris and Bo Li},
journal= {arXiv preprint arXiv:2201.02742},
year = {2022}
}