面向时间序列数据的贝叶斯非参数函数混合估计及其在州就业总数估计中的应用

美国劳工统计局使用当前人口调查（CPS）中按月、分州的就业总数作为关键输入，以编制州内各县的就业估计。然而，CPS按月分州的总数表现出高度波动性，损害了由此生成的县级估计的准确性。通常用于小区域估计的模型通过借用各调查月份的信息来产生去噪的州级就业估计，但假设各分州时间序列集合之间相互独立，而由于潜在经济体的相似性，该假设通常被违背。我们构建了高斯过程和高斯马尔可夫随机场两种替代的函数先验设定，每一种均为多元高斯分布的混合，其协方差或精度矩阵参数上带有狄利克雷过程（DP）混合测度。我们的DP函数混合模型允许数据同时估计月份之间和州之间的依赖性。我们模型的一个特征是，分配给同一聚类的函数从具有相同协方差参数的分布中抽取，因此它们相似但不必完全相同。我们在合成数据上比较了两种替代模型的性能，并将它们应用于恢复2000-2013年数据的去噪分州CPS就业总数。