通过共享参数耦合的多个状态空间模型的边缘化粒子 Gibbs
统计方法学
2022-10-17 v1 应用统计
统计计算
机器学习
摘要
我们考虑由共同状态空间模型（SSM）结构描述的多个时间序列的贝叶斯推断，但其中不同参数子集在不同子模型之间共享。一个重要的例子是疾病动力学，其中参数可以是疾病特异或位置特异的。这些模型中的参数推断可通过系统地聚合来自不同时间序列的信息来改进，对于短序列尤为明显。粒子 Gibbs（PG）采样器是 SSM 中推断的一类高效算法，特别是在可利用共轭性将模型参数从状态更新中边缘化出去时。我们提出两种不同的 PG 采样器，它们在线边缘化静态模型参数：一种在一次更新一个模型时以其他模型的数据集为条件，另一种通过将全部模型堆叠为高维 SSM 来并发更新所有模型。每种采样器的独特特征使它们适用于不同的建模情境。我们提供了关于何时使用每种采样器的见解，并表明它们可组合形成对状态和参数间强依赖模型的高效 PG 采样器。性能在两个线性高斯示例和关于蚊媒疾病传播的实世界示例上得到展示。
引用
@article{arxiv.2210.07379,
title = {Marginalized particle Gibbs for multiple state-space models coupled through shared parameters},
author = {Anna Wigren and Fredrik Lindsten},
journal= {arXiv preprint arXiv:2210.07379},
year = {2022}
}
备注
26 pages, 10 figures (+ Supplementary material of 17 pages, 13 figures) Submitted to Journal of computational and graphical statistics