借力下的随机动力系统联合重构与预测
统计方法学
2019-03-27 v2 应用统计
摘要
我们提出一种基于马尔可夫链蒙特卡洛（MCMC）方法的贝叶斯非参数模型，用于基于受加性动态噪声扰动的 重时间序列数据，对离散时间随机动力系统进行联合重构与预测。我们引入成对依赖几何断棍重构（PD-GSBR）模型，其依赖于在支撑于 上的密度空间上构建的 元非参数先验。我们关注至少其中一个时间序列具有足够大样本量表示、从而可进行如 Merkatas 等人（2017）所定义的独立且准确的几何断棍估计的情形。我们的论点是，每当扰动底层动力系统的动态误差过程具有共同特征时，代表性不足的数据集可在模型估计精度方面获益。PD-GSBR 估计与预测过程在具体针对具有任意次多项式非线性的映射情形予以演示。给出了基于合成时间序列的模拟。
引用
@article{arxiv.1811.07625,
title = {Joint reconstruction and prediction of random dynamical systems under borrowing of strength},
author = {Spyridon J. Hatjispyros and Christos Merkatas},
journal= {arXiv preprint arXiv:1811.07625},
year = {2019}
}