用于ARFIMA长记忆过程的新型贝叶斯算法：MCMC与ABC方法的比较
统计方法学
2024-10-18 v1 统计计算
摘要
本文对两种贝叶斯方法——马尔可夫链蒙特卡洛和近似贝叶斯计算——进行了比较研究，用于估计自回归分数积分移动平均模型的参数，该模型广泛用于捕捉时间序列数据中的长记忆性。我们提出了一种新颖的马尔可夫链蒙特卡洛算法，该算法将时间序列滤波为不同的长记忆和ARMA分量，并与标准方法进行了基准测试。此外，还提出了一种新的近似贝叶斯计算方法，使用三种不同的汇总统计量进行后验估计。通过广泛的模拟研究对这些方法进行了实施和评估，并将其应用于一个真实的金融数据集，即美国季度国民生产总值序列。结果证明了贝叶斯方法在估计长记忆和短记忆参数方面的有效性，其中滤波后的马尔可夫链蒙特卡洛方法在各种指标上表现出优越的性能。这项研究增强了我们对ARFIMA建模中贝叶斯技术的理解，为它们在应用于复杂时间序列数据时的优势和局限性提供了见解。
引用
@article{arxiv.2410.13261,
title = {Novel Bayesian algorithms for ARFIMA long-memory processes: a comparison between MCMC and ABC approaches},
author = {James Cohen Gabor and Clara Grazian},
journal= {arXiv preprint arXiv:2410.13261},
year = {2024}
}