平稳自回归过程的惩罚复杂度先验
统计方法学
2016-09-01 v1
摘要
p 阶自回归过程（AR(p)）是时间序列分析中的核心模型。贝叶斯方法要求用户为 AR(p) 模型的系数定义先验分布。尽管写出某个先验很容易，但如何理解和解释该先验，以确保其行为符合用户的先验知识，却远非显而易见。本文利用最近发展的惩罚复杂度（PC）先验思想来处理这一问题。这些先验具有稳健性、对重参数化的不变性以及清晰的解释等重要性质。PC 先验基于特定原则计算，即模型分量的复杂度以其偏离简单基础模型形式的程度进行惩罚。在 AR(1) 情形下，我们讨论了两种自然的基础模型选择，分别对应于时间上的独立性或时间上的无变化。后一种情形通过一个可能具有时变脆弱性的生存模型加以说明。对于高阶过程，我们提出一种序贯方法，其中 AR(p) 的基础模型是用偏自相关表示的相应 AR(p-1) 模型。通过模拟研究，将新先验的性质与参考先验进行了比较。
引用
@article{arxiv.1608.08941,
title = {Penalised complexity priors for stationary autoregressive processes},
author = {Sigrunn Holbek Sørbye and Håvard Rue},
journal= {arXiv preprint arXiv:1608.08941},
year = {2016}
}
备注
14 pages, 3 figures