用于多变量时变自回归模型计算高效估计的贝叶斯循环格型滤波器
统计方法学
2022-06-27 v1
摘要
非平稳时间序列数据存在于各种科学学科中，包括环境科学、生物学、信号处理、计量经济学等。许多贝叶斯模型已被开发用于处理非平稳时间序列。时变向量自回归（TV-VAR）模型是多元非平稳时间序列的成熟模型。然而，在大多数情况下，该模型呈现的大量参数导致高计算负担，最终限制了其使用。本文提出一种计算高效的多元贝叶斯循环格型滤波器，以将 TV-VAR 模型的使用扩展到更广泛的高维问题类别。我们的全贝叶斯框架允许自回归（AR）系数和创新协方差随时间变化。我们的估计方法基于贝叶斯格型滤波器（BLF），该滤波器在单变量情况下极其计算高效且稳定。为说明我们方法的有效性，我们通过模拟研究与其他竞争方法进行了全面比较，发现在大多数情况下，我们的方法在估计与真实时变谱密度之间的平均平方误差方面表现更优。最后，我们通过应用于季度国内生产总值（GDP）数据和北加州风数据来展示我们的方法。
引用
@article{arxiv.2206.12280,
title = {Bayesian Circular Lattice Filters for Computationally Efficient Estimation of Multivariate Time-Varying Autoregressive Models},
author = {Yuelei Sui and Scott H. Holan and Wen-Hsi Yang},
journal= {arXiv preprint arXiv:2206.12280},
year = {2022}
}