乘积划分动态广义线性模型
统计方法学
2021-03-04 v1
摘要
时间序列中变点的检测与建模可能极具挑战性。在本文中，我们通过将动态广义线性模型（DGLM）类纳入众所周知的乘积划分模型（PPM）类来解决此问题。这一我们称之为 DGLM-PPM 的新方法将 PPM 扩展到指数族内的分布，同时保留了 DGLM 类的灵活性。它还提供了一个用于动态回归模型中贝叶斯多重变点检测的框架。DGLM-PPM 的推断遵循 DGLM 类的演化与更新步骤。采用带有附加自适应拒绝 Metropolis 抽样（ARMS）步的 Gibbs 抽样器方案来计算相关量的后验估计。一项模拟研究表明，所提出的模型提供了对动态参数的合理估计，并且对为此工作生成的人工数据中引入的断点赋予了较高的变点概率。我们还展示了一个真实数据示例，突显了 DGLM-PPM 在样本内与样本外拟合优度度量上相对于常规 DGLM 的优越性。
引用
@article{arxiv.2103.02470,
title = {Product Partition Dynamic Generalized Linear Models},
author = {Victor S. Comitti and Fábio N. Demarqui and Thiago R. dos Santos and Jéssica da Assunção Almeida},
journal= {arXiv preprint arXiv:2103.02470},
year = {2021}
}
备注
20 pages, 10 figures and 3 tables