基于累积收缩先验的离散自回归切换过程用于时间序列数据的图形建模
统计方法学
2025-08-21 v2
摘要
我们提出了一种灵活的贝叶斯方法，用于多变量时间序列的稀疏高斯图形建模。我们通过假设观察值由 underlying and unobserved 隐藏离散自回归过程特征化来处理数据中的时间相关性。我们假设多变量高斯发射分布，并通过图形马约什先验来建模状态特定的精度矩阵。我们通过一种容纳非活跃组件的零膨胀参数的累积收缩先验来刻画隐藏过程的混合概率，并进一步纳入稀疏诱导的 Dirichlet 先验以估计数据中有效状态的数量。对于后验推断，我们开发了一个抽样程序，允许估计离散自回归滞后数和状态数，并且巧妙地避免了处理参数空间的维度变化。我们通过几项模拟研究彻底调查了我们方法的性能。我们进一步说明了该方法用于基于 fMRI 数据估计动态大脑连接性，该数据来自于受试者执行的潜在学习任务实验。
引用
@article{arxiv.2406.03385,
title = {Discrete Autoregressive Switching Processes with Cumulative Shrinkage Priors for Graphical Modeling of Time Series Data},
author = {Beniamino Hadj-Amar and Aaron M. Bornstein and Michele Guindani and Marina Vannucci},
journal= {arXiv preprint arXiv:2406.03385},
year = {2025}
}