基于 Spike-and-Slab 过程先验的动态变量选择
统计方法学
2019-09-24 v3
摘要
我们研究了在残差方差未知的时序回归中的动态变量选择问题，其中活跃预测变量集允许随时间演化。为了捕捉时变的变量选择不确定性，我们为回归系数的时间序列引入了新的动态收缩先验。这些先验由两个主要要素表征：平滑的参数演化和用于建模预测突变的间歇性零值。更正式地，我们提出的动态 Spike-and-Slab (DSS) 先验被构造为两个过程的混合：用于无关系数的 spike 过程和用于活跃系数的 slab 自回归过程。混合权重本身是时变的，并依赖于序列的滞后值。我们的 DSS 先验在概率上是相干的，即其平稳分布完全已知且由 spike-and-slab 边缘分布表征。为了对动态回归系数、模型选择指示变量以及未知的动态残差方差进行后验采样，我们提出了一种基于前向滤波和后向采样的动态 SSVS 算法。为了将我们的方法扩展到大型数据集，我们开发了一种用于 MAP 平滑的动态 EMVS 算法。我们通过仿真和一个宏观经济学数据集证明，DSS 先验在分离活跃系数和噪声系数方面非常有效。我们的快速实现显著扩展了 spike-and-slab 方法在大型时间序列数据中的应用范围。
引用
@article{arxiv.1708.00085,
title = {Dynamic Variable Selection with Spike-and-Slab Process Priors},
author = {Veronika Rockova and Kenichiro McAlinn},
journal= {arXiv preprint arXiv:1708.00085},
year = {2019}
}