贝叶斯Dirichlet自回归移动平均模型先验的敏感性分析
统计方法学
2025-07-08 v2 应用统计
摘要
先验选择可以显著影响组成时间序列的贝叶斯Dirichlet ARMA（B-DARMA）推断。我们使用(i)正确滞后阶数、(ii)过拟合和(iii)欠拟合的情景进行仿真，评估五种先验：弱信息先验、horseshoe、Laplace、正态混合和层次化。当滞后阶数正确时，所有先验实现可比的RMSE，尽管horseshoe和层次化略微降低偏差。过拟合时，激进的收缩——尤其是horseshoe——抑制噪声并提高预测精度，但没有任何先验能拯救缺乏必要VAR或VMA项的模型。我们随后拟合B-DARMA模型到每日SP 500板块权重，使用故意的大滞后结构。收缩先验抑制虚构动力学，而弱信息先验则放大波动板块中的错误。提出两点教训：(1)匹配收缩强度与过参数化程度，(2)优先正确选择滞后，因为没有先验能修复结构性误指定性。这些见解指导了高维组成时间序列应用中的先验选择和模型复杂度管理。
引用
@article{arxiv.2506.13973,
title = {Sensitivity Analysis of Priors in the Bayesian Dirichlet Auto-Regressive Moving Average Model},
author = {Harrison Katz and Liz Medina and Robert E. Weiss},
journal= {arXiv preprint arXiv:2506.13973},
year = {2025}
}