Bayesian learning of weakly structural Markov graph laws using sequential Monte Carlo methods
我们提出了一个序贯抽样方法弱结构马尔可夫定律，自然产生的贝叶斯结构学习可分解的图形模型。作为我们建议的方法的一个关键组成部分，我们表明，图估计的问题，这在一般情况下缺乏自然的顺序解释，可以重铸到一个连续的设置，提出了一个递归的费曼-卡茨模型，产生一个流动的连接树分布在一个空间的尺寸增加。我们专注于粒子的McMC方法，以提供在这个空间上的样本，特别是粒子吉布斯（PG），因为它允许生成的McMC链的可分解图的底层空间上的全球移动。为了进一步提高PG混合性能，我们采用了一个系统的刷新步骤，通过从向后内核直接采样实现。该算法的理论性质进行了研究，表明所提出的刷新步骤提高了估计分布的渐近方差方面的性能。建议的抽样方法是通过一组数值例子来说明的，这些例子证明了在离散和连续图形模型中贝叶斯图结构学习的高精度。
2019-07-23 math.ST stat.TH
Hierarchical Bayesian spectral analysis of multiple stationary time series
本文提出HBEST方法，通过分层贝叶斯估计多平稳时间序列的功率谱，提升计算效率和估计准确性，并应用于心率变异性时间序列以捕捉心血管风险因素关联。
2025-11-24 stat.AP stat.ME
Bayesian Network Enhanced with Structural Reliability Methods: Methodology
我们结合贝叶斯网络（BN）和结构可靠性方法（SRMs）创建一个新的计算框架，称为增强贝叶斯网络（eBN），工程结构和基础设施的可靠性和风险分析。贝叶斯网络是有效的表示和评估复杂的概率依赖结构，目前在基础设施和结构系统，他们促进贝叶斯更新的模型时，新的信息变得可用。另一方面，SRM能够准确评估由计算要求高的基于物理的模型表示的罕见事件的概率。通过结合这两种方法，eBN框架提供了一个统一的和强大的工具，有效地计算在复杂的结构和基础设施系统中，信息随时间演变的罕见事件的概率。通过几个概念性的例子来描述建模和有效地分析eBN的策略。配套文件适用于eBN方法的例子结构和基础设施系统。
2012-03-27 stat.AP stat.ME stat.ML
Bayesian forecasting of many count-valued time series
本文发展了非负计数时间序列动态模型的预测方法和应用。新的单变量模型合成动态广义线性模型的二进制和条件泊松时间序列，动态随机效应的过度分散。这些模型允许在二进制和非零计数分量中使用动态协变量。序贯贝叶斯分析允许对解耦的时间序列集进行快速、并行的分析。新的多变量模型使信息共享的背景下，数据在更高的聚合水平提供更深刻的推断共享模式，如趋势和季节性。一种新颖的多尺度方法--时间序列中解耦/再耦合概念的一个新例子--使信息能够跨序列共享。这包含了跨系列的联系，同时绝缘的单变量模型的并行估计，因此使系列的数量的可扩展性。主要的激励背景是超市销售预测。详细的例子来自一个案例研究，在多个相关项目的销售多步预测展示了多个系列的预测，与预测准确性指标和概率预测准确性评估的更广泛的问题的讨论。
2018-05-14 stat.AP stat.ME
Bayesian emulation for optimization in multi-step portfolio decisions
本文讨论了金融时间序列中多步投资组合研究的贝叶斯仿真计算方法。“决策的贝叶斯仿真”涉及将决策分析问题的技术结构映射到纯合成“仿真”统计模型中的贝叶斯推断。这提供了访问标准的后验分析，模拟和优化方法，产生决策问题的间接解决方案。我们在时间序列投资组合分析中使用经济和心理相关的多步投资组合效用函数。多变量货币，商品和股票指数时间序列的研究说明了这种方法，并显示了贝叶斯仿真方法的一些实际效用和好处。
2016-07-06 stat.AP stat.ME
Dynamic generalized linear models for non-Gaussian time series forecasting
本文的目的是讨论动态广义线性模型（DGLM）的贝叶斯预测，并举例说明。采用近似贝叶斯分析，共轭形式和贝叶斯线性估计的基础上，我们描述了理论框架，然后我们提供了详细的例子，响应分布，包括二项式，泊松，负二项式，几何，正态，对数正态，伽玛，指数，威布尔，帕累托，贝塔和逆高斯。我们给出了所有分布的数值说明（除了正态分布）。把所有上述分布，我们给出了一个统一的贝叶斯方法，非高斯时间序列分析，从金融和医学的生物学和行为科学的应用。在整个模型中，我们讨论贝叶斯预测，对于每个模型，我们推导出多步预测均值。最后，我们描述了模型评估使用的似然函数，贝叶斯模型监测。
2008-02-01 stat.AP stat.ME
Bayesian System Identification based on Hierarchical Sparse Bayesian Learning and Gibbs Sampling with Application to Structural Damage Assessment
本文的重点是贝叶斯系统识别噪声不完整的模态数据的基础上，我们可以在更新结构模型时施加空间稀疏刚度的变化。为此，基于我们以前的工作类似的层次稀疏贝叶斯学习模型，我们提出了两个吉布斯抽样算法。这两种算法处理方程误差精度参数后验不确定性的策略不同，但都是从结构刚度参数和系统模态参数的条件后验概率密度函数（PDF）中采样。吉布斯抽样的有效维数较低，因为迭代采样仅从对应于三个参数组的三个条件后验PDF中完成，同时从其中一个算法中的另一个条件后验PDF中对方程误差精度参数进行采样，其中方程误差精度参数未被整合为“滋扰”参数。从计算的角度来看，一个很好的特点是，它是没有必要解决一个结构模型的非线性特征值问题。所提出的算法的有效性和鲁棒性说明将它们应用到IASE ASCE第二阶段的模拟和实验基准研究。我们的目标是使用不完整的模态数据识别之前和之后可能的损害，以检测和评估空间稀疏的刚度降低引起的任何损害。我们过去和现在的重点是满足所产生的挑战，从贝叶斯推断的结构刚度服务，以加强基于振动的结构系统识别的能力，但我们的方法也有更广泛的适用性，在科学和技术的逆问题，系统矩阵是从噪声的部分信息推断其特征量。
2017-01-13 stat.AP stat.ME stat.ML
A Bayesian Non-Stationary Heteroskedastic Time Series Model for Multivariate Critical Care Data
通过对标准状态空间模型的观测值方差进行修正，提出了一种适用于非平稳健康时间序列的多变量GARCH模型。该模型提供了一种直观的方式处理异方差数据使用状态空间模型的条件性质。我们遵循贝叶斯范式来执行推理过程。特别地，我们使用马尔可夫链蒙特卡罗方法从所得的后验分布中获得样本。由于模型参数具有自然的时间相关结构，我们采用前向滤波后向采样算法从后验分布中有效地获取样本。所提出的模型还处理缺失数据在一个完全贝叶斯的方式。我们验证我们的模型合成数据，然后用它来分析从重症监护病房在蒙特利尔医院的数据集。我们进一步表明，我们提出的模型提供了更好的性能，WAIC方面，比标准的状态空间模型。该模型提供了一种新的方法来模拟多元异方差非平稳时间序列数据和简单的应用WAIC允许我们比较竞争模型。
2023-03-15 stat.AP stat.ME
On Bayesian Nonparametric Continuous Time Series Models
本文是关于连续时间序列的贝叶斯非参数混合模型的一个注记。我们确定了这些模型的关键要求，然后确定有一个单一类型的模型，满足这一要求。事实证明，该模型在多个变点问题中是众所周知的。
2013-03-03 stat.ME
Bayesian Synthetic Likelihood Estimation for Underreported Non-Stationary Time Series: Covid-19 Incidence in Spain
由于各种原因，处理误报数据的问题在许多情况下都很常见。2019冠状病毒病（COVID-19，即2019冠状病毒病）全球大流行造成的现状就是一个明显的例子，由于数据收集问题和无症状病例比例高，官方来源提供的数据并不总是可靠的。在这项工作中，我们探讨了贝叶斯合成似然估计的性能，能够处理误报信息的模型的参数，并重建最有可能的现象的演变。通过全面的模拟研究评估了拟议方法的性能，并通过重建2020年西班牙每个自治区的每周Covid-19发病率进行了说明。
2022-07-19 stat.AP stat.ME
A Bayesian survival model induced by hurdle zero-modified power series discrete frailty with dispersion: an application in lung cancer
本文提出一种由HZMPS分布诱导的带色散参数的贝叶斯离散脆弱性生存模型，以区分高风险与已治愈个体，并在模拟和肺癌应用中验证了其灵活性与推断潜力。
2025-05-29 stat.AP stat.ME
Bayesian Modeling of Multiple Structural Connectivity Networks During the Progression of Alzheimer's Disease
阿尔茨海默病是最常见的神经退行性疾病。本研究的目的是使用皮质厚度测量来推断疾病进展导致的大脑连接的结构变化，这些测量来自一组健康对照组，或轻度认知障碍，或阿尔茨海默病患者。为此，我们开发了一种新的方法来推断多个网络的相关边缘值跨组。具体来说，我们推断一个高斯图形模型的联合框架内，每个组，我们依靠贝叶斯分层先验链接的精度矩阵条目组。我们的建议不同于现有的方法，因为它灵活地学习哪些组具有最相似的边缘值，并在跨组共享信息时考虑连接的强度（而不仅仅是边缘存在或不存在）。我们的研究结果确定了结构连接的关键改变，这可能反映了对健康大脑的破坏，例如随着疾病严重程度的增加，枕叶内的连接减少。我们还说明了所提出的方法，通过模拟，在那里我们证明了其性能的结构学习和精度矩阵估计的替代方法。
2020-01-15 stat.AP stat.ME
Bayesian Changepoint Estimation for Spatially Indexed Functional Time Series
我们提出了一个贝叶斯分层模型，同时估计基于空间相关的功能时间序列的变化点的均值。与以前的方法，假设在所有空间位置共享的变点或忽略空间相关性，我们的方法将变点作为一个空间过程。这使得我们的模型能够尊重空间异质性，并利用空间相关性来改善估计。我们的方法是来自无处不在的累积和（AUCUM）统计，占主导地位的功能时间序列中的变点检测。然而，而不是直接搜索的最大值的基于的过程，我们建立空间相关的两件线性模型与适当的方差结构，以定位所有的变化点一次。所提出的线性模型方法增加了我们的方法的鲁棒性，以变异性的CRAUM过程中，结合我们的空间相关性模型，提高了边缘附近的变点估计。我们通过广泛的模拟研究表明，我们的方法优于现有的功能变点估计的估计精度和不确定性量化方面，无论是弱和强的空间相关性，弱和强的变化信号。最后，我们使用温度数据集和2019年冠状病毒病（COVID-19）研究来证明我们的方法。
2022-01-08 stat.AP stat.ME
Bayesian Testing Of Granger Causality In Functional Time Series
本文提出多元函数型自回归模型，结合贝叶斯动态线性模型与贝叶斯因子检验格兰杰因果，并应用于金融收益率曲线和气候污染物数据。
2021-12-31 q-fin.ST stat.AP stat.ME
Bayesian Structural Equation Modeling in Multiple Omics Data Integration with Application to Circadian Genes
众所周知，不同数据源之间的整合是可靠的，因为它有可能揭示在单一来源分析中可能处于休眠状态的基因组表达的新功能。此外，不同的研究证明了对多平台数据进行更强大的分析的合理性。为此，在这项研究中，我们考虑了昼夜节律基因的组学特征，如拷贝数变化和RNA序列数据以及它们的生存反应。我们开发了一种贝叶斯结构方程模型，结合线性回归和对数正态加速失效时间回归，以整合这两个平台之间的信息来预测受试者的生存。我们把共轭先验的回归参数，并推导出吉布斯抽样使用它们的条件分布。我们广泛的模拟研究表明，综合模型提供了一个更好的适合的数据比其最接近的竞争对手。对来自最大的基因组学和转录组学数据库TCGA的胶质母细胞瘤癌症数据和乳腺癌数据的分析支持了我们的发现。所开发的方法被封装在R CRAN提供的R包semmcmc中。
2021-12-06 stat.AP stat.ME
A Bayesian Nonparametric approach to Reconstruction and Prediction of Random Dynamical Systems
基于马尔可夫链蒙特卡罗方法（MCMC），提出了一种贝叶斯非参数混合模型，用于离散随机动力系统的时间序列重构和预测.我们的研究结果可以用于物理建模的研究人员感兴趣的快速和准确的估计低维随机模型时，所观察到的时间序列的大小是小的，噪声过程（也许）是非高斯的。特别是在多项式映射的情况下，证明了推理过程的任意程度，当几何棒打破混合物的过程之前，在空间的密度，适用于添加剂的错误。我们的方法是简约的贝叶斯非参数技术的基础上Dirichlet过程的混合物，灵活和一般。基于合成时间序列的仿真。
2017-09-30 stat.AP stat.ME
Bayesian Median Autoregression for Robust Time Series Forecasting
本文提出了一种用于时间序列预测的贝叶斯中值自回归模型。所提出的方法利用时变分位数回归在中位数，有利地继承中位数回归的鲁棒性，而广泛使用的均值为基础的方法。贝叶斯分位数回归中的拉普拉斯似然方法的启发，BayesMAR通过将高斯误差改变为拉普拉斯，采用与自回归模型具有相同结构的参数模型，从而为时间序列预测提供了一种简单，鲁棒和可解释的建模策略。我们用马尔可夫链蒙特卡罗估计模型参数。除了贝叶斯模型选择方法外，贝叶斯模型平均法用于解释模型不确定性，包括自回归顺序中的不确定性。所提出的方法进行了说明，使用模拟和实际数据的应用。对美国宏观经济数据预测的应用表明，与所选择的基于均值的替代方案相比，BayesMAR在包括点预测和概率预测的各种损失函数下具有良好的预测性能。所提出的方法是通用的，可以用来补充丰富的一类方法，建立在自回归模型。
2020-12-05 econ.EM stat.AP stat.ME
Hierarchical sparse Bayesian learning: theory and application for inferring structural damage from incomplete modal data
由于过度载荷或环境退化而造成的结构损坏通常发生在没有倒塌的局部区域。利用这种先验信息的空间稀疏的结构损伤的层次稀疏贝叶斯学习框架的目标是减少源的病态的刚度损失反演问题的损伤检测。稀疏贝叶斯学习方法自动从一组潜在的候选者中修剪掉不相关或不活动的特征，因此它们是用于产生稀疏解释子集的有效概率工具。我们以前已经提出了这样一种方法来建立局部刚度降低的概率，作为一个代理的损害，通过使用噪声不完整的模态数据之前和之后可能的损害。核心思想集中在一个特定的分层贝叶斯模型，促进空间稀疏的推断刚度减少的方式是一致的贝叶斯奥卡姆剃刀。在本文中，我们改进了我们以前提出的稀疏贝叶斯学习方法的理论，消除了近似，更重要的是，纳入了对刚度增加的约束。我们的方法有许多吸引人的功能，总结在本文的最后。我们验证的方法，将其应用到第二阶段的模拟和实验基准研究主办的IASC-ASCE工作组的结构健康监测。结果表明，该方法可以通过识别出的模态参数推断出结构的刚度损失，从而可靠地检测、定位和评估结构的损伤。有效地抑制了遗漏和错误损坏警报的发生。
2015-03-21 stat.AP stat.ME stat.ML
Dynamic Bayesian Predictive Synthesis in Time Series Forecasting
讨论了时间序列预测中的模型和预测组合问题。基于主体意见分析理论的基本贝叶斯观点定义了一个新的框架密度预测组合，并包括几个现有的预测池方法。我们开发了一类新的动态潜在因素模型的时间序列预测合成，基于模拟的计算实现。这些模型可以动态地适应时变的偏差，错误校准和多个模型或预测器之间的相互依赖性。一项宏观经济预测研究强调了综合预测密度之间的动态关系，以及在多个层面提高预测准确性的潜力。
2022-03-02 stat.ME
A Bayesian framework for functional time series analysis
本文从贝叶斯的角度介绍了函数时间序列统计分析的一般框架。所提出的方法，基于流行的动态线性模型的Banach空间值的观测和状态的扩展，是非常灵活的，但也很容易实现在许多情况下。对于许多类型的数据，如连续函数，我们展示了如何随机过程的一般理论提供了一个方便的工具来指定先验和转移概率的模型。最后，我们将展示如何标准的马尔可夫链蒙特卡罗方法的后验模拟一致的离散化的数据下，可以采用。
2013-11-29 stat.ME
A Bayesian Framework for Quantifying Association Between Functional and Structural Data in Neuroimaging
Texas A&M University（德克萨斯农工大学）；Department of Statistics, Texas A&M University（德克萨斯农工大学统计学系）；Department of Psychological & Brain Sciences, Texas A&M University（德克萨斯农工大学心理与脑科学系）
本文提出一种贝叶斯框架，用于量化神经影像中功能与结构数据的关联，通过构建功能脑网络并结合层次贝叶斯模型，实现对不同数据结构的适应性和后验不确定性量化。
2026-03-22 stat.ME
Analysis of zero inflated dichotomous variables from a Bayesian perspective: Application to occupational health
这项工作提出了一种新的方法来适应零膨胀的伯努利数据从贝叶斯方法，能够区分两个潜在的零源（结构和非结构）。它的用法是通过职业健康领域的一个真实的例子来说明的，即疾病出勤现象，在这种情况下，有理由认为有些人永远不会有患病的风险，因为他们在学习期间没有生病（结构零）。如果不将结构性和非结构性零点分开，人们将共同研究一般健康状况和出勤率本身，因此获得可能有偏见的估计数，因为通过将其稀释到一般健康状况中，这种现象被隐含地低估了。所提出的方法的性能进行了评估，通过全面的模拟研究，它已被编译为R包免费提供给社会。
2021-05-03 stat.AP stat.CO stat.ME
Beyond Whittle: Nonparametric correction of a parametric likelihood with a focus on Bayesian time series analysis
Whittle似然被广泛用于平稳时间序列谱密度的贝叶斯非参数估计。然而，非高斯时间序列的效率损失可能是相当大的。另一方面，如果模型被很好地指定，则参数方法更强大，但否则可能完全失败。因此，我们建议利用参数模型的效率，同时通过非参数修正来降低敏感性，对参数似然进行非参数修正。使用Bernstein-Dirichlet先验的非参数谱校正，我们显示后验的一致性，并说明我们的程序在模拟研究和LIGO引力波数据的性能。
2017-01-17 stat.ME
Nonparametric Bayesian grouping methods for spatial time-series data
我们描述了一种方法，用于识别组的动态相似的位置在空间时间序列数据的基础上一个简单的马尔可夫转移模型。我们给出了最大似然，经验贝叶斯，完全贝叶斯公式的模型，并描述了详尽的，贪婪的，基于MCMC的推理方法。该方法已成功地应用于几项研究，揭示了环境模式和疾病动态之间有意义的关系。
2013-06-21 q-bio.QM stat.ME
Bayesian Propensity Score-Augmented Latent Factor Models for Causal Inference with Time-Series Cross-Sectional Data
University of Michigan（密歇根大学）
本文提出一种贝叶斯倾向分数增强的潜在因子模型，用于时间序列横截面数据的因果推断，通过引入潜在因子载荷显式建模处理分配机制，并通过分层等方法灵活整合倾向分数，提升跨分层的异质性分析能力。
2026-03-26 stat.ME
The mbsts package: Multivariate Bayesian Structural Time Series Models in R
多变量贝叶斯结构时间序列（MBSTS）模型是处理多个相关时间序列的推断和预测的通用机器学习模型，其中还可以选择对每个目标序列使用不同的候选池的同期预测器。MBSTS模型具有广泛的应用，是特征选择、时间序列预测、临近预报、因果影响推断等的理想模型。本文介绍了如何使用R包MBSTS进行MBSTS建模，在包中的用户友好功能和开发人员友好功能之间建立桥梁，以及相应的方法。软件包中的面向对象功能以使用户能够灵活地添加或减少某些组件以及简化或复杂某些设置的方式进行解释。
2023-02-06 cs.LG cs.MS stat.AP
Structural Refinement of Bayesian Networks for Efficient Model Parameterisation
Department of Statistics, University of Warwick（沃里克大学统计系）
针对贝叶斯网络参数化中数据稀缺、CPT参数过多的问题，本文综述了多种结构精化近似方法，分析其特性要求，通过心血管风险评估模型实例评估，并给出方法选择的实用指导。
2025-09-30 cs.AI cs.LG stat.AP
High dimensional Bayesian Optimization Algorithm for Complex System in Time Series
目前，时间序列模型下的高维全局优化问题受到了工程界的广泛关注。自提出以来，贝叶斯优化已迅速成为解决全局优化问题的流行和有前途的方法。然而，当模型为高维时，标准贝叶斯优化算法不足以求解全局最优解。因此，本文提出了一种新的高维贝叶斯优化算法，考虑降维和不同的尺寸填充策略。现有的大多数贝叶斯优化算法的文献没有讨论采样策略，以优化采集函数。提出了一种新的基于多臂强盗和随机搜索的采样方法，并对捕获函数进行了优化。此外，基于模型的时间相关或维度相关特性，该算法可以均匀地降低维度。然后，本研究对五种不同的维度填充策略进行了讨论和比较。最后，为了提高最优解的最终精度，该算法在最后阶段增加了一系列基于Adam的局部搜索步骤。计算实验表明，对于时间序列最优控制模型的高维全局优化问题，所提出的贝叶斯优化算法能够获得合理的解，并具有良好的性能.
2021-08-04 cs.LG math.OC stat.AP
Bayesian Nonparametric Analysis of Multivariate Time Series: A Matrix Gamma Process Approach
虽然有越来越多的文献贝叶斯时间序列分析，只有少数贝叶斯非参数方法，多变量时间序列存在。大多数方法依赖于Whittle的李克图，涉及到平稳时间序列的二阶结构，通过其谱密度矩阵。这通常是根据Cholesky分解建模，以确保正定性。然而，渐近性质，如后验一致性或后验收缩率是未知的。一个不同的想法是通过随机测量来模拟谱密度矩阵。这与单变量情况下的现有方法一致，其中归一化谱密度被建模为类似于概率密度，例如具有Beta密度的Dirichlet过程混合。在这项工作中，我们提出了一个相关的方法多变量时间序列，矩阵值的混合权重诱导的Hermitian正定Gamma过程。所提出的程序被证明是执行良好的模拟和真实的数据。后的一致性和收缩率也成立。
2018-11-26 stat.ME
Bayesian online collective anomaly and change point detection in fine-grained time series
本研究提出贝叶斯框架及递归在线推理算法，联合检测细粒度时间序列中的集体异常与变点，并通过集体异常移除将复杂度降至线性，实验验证了其有效性。
2025-08-08 stat.ME
Bayesian Structure Learning for Stationary Time Series
虽然许多工作已经探索了独立数据的概率图形模型，但对时间序列的关注较少。在这种设置中的目标是确定整个时间序列之间的条件独立关系，对于平稳序列，在逆谱密度矩阵中由零编码。我们采用贝叶斯方法来进行结构学习，将先验知识放在（i）图结构和（ii）给定图的谱矩阵上。我们利用Whittle似然近似，并定义一个共轭先验-超复逆Wishart-复值和图约束的谱矩阵。由于共轭性，我们可以解析地将谱矩阵边缘化，并获得给定图的时间序列的封闭形式的边缘似然。重要的是，我们的分析边际似然允许我们避免复杂谱矩阵本身的推断，并将我们放回标准（贝叶斯）结构学习的框架中。特别是，将这种边际似然与我们的图先验相结合，可以有效地推断时间序列图本身，我们基于随机搜索过程，尽管任何标准方法都可以直接修改为我们的时间序列情况。我们展示了我们的方法分析股票数据和神经影像数据的大脑活动在各种听觉任务。
2015-07-03 stat.ME
A Bayesian Surrogate Model for Rapid Time Series Analysis and Application to Exoplanet Observations
我们提出了一个贝叶斯代理模型的分析周期或准周期的时间序列数据。我们描述了一个计算效率高的实现，使贝叶斯模型比较。我们将此模型应用于模拟和真实的系外行星观测。我们讨论的结果，并展示了一些挑战，我们的代理模型应用到现实的系外行星数据集。特别是，我们发现，现实世界的数据分析应仔细注意的影响，不均匀的观测间隔和选择的“抖动”参数的先验。
2011-07-20 astro-ph.EP astro-ph.IM stat.AP
A Bayesian changepoint methodology for high dimensional multivariate time series and space-time data: A study of structural change using remotely sensed data
提出了一种贝叶斯方法来分析多变量时间序列和时空数据中的变点。该方法被用来评估在澳大利亚北部的海湾平原生物区的生态系统的影响，扩大洪水。所提出的方法可以实现具有条件高斯状态空间表示的动态混合模型。详细介绍了如何有效地实现算法的一般类的多变量时间序列和时空模型。这种高效的实现使得分析高维，但现实的大小，时空数据集是可行的，因为我们的方法可以明显更快，可能是数百万倍，在这种情况下，比一个标准的实现。
2013-06-20 stat.ME
A Robust Bayesian Dynamic Linear Model for Latin-American Economic Time Series: "The Mexico and Puerto Rico Cases"
传统的时间序列方法至少需要对数据进行初步变换以获得平稳性。另一方面，鲁棒贝叶斯动态模型（RBDM）不假设底层系统的规则模式或稳定性，但可以包括语句中断点。在本文中，我们使用RBDM，以考虑可能的离群值和结构性突变拉丁美洲经济时间序列。我们使用波多黎各和墨西哥的重要经济时间序列。我们使用随机游动模型如何RBDM可以应用于检测墨西哥的经济通货膨胀的历史性变化。此外，我们模型的消费者价格指数（CPI），经济活动指数（EAI）和就业人数（TNE）的经济时间序列在波多黎各使用本地线性趋势和季节性RBDM与观测和国家的差异。结果说明了模型如何解释波多黎各历史性衰退时期的结构性断裂。
2015-05-22 stat.ME
Bayesian forecasting of multivariate time series: Scalability, structure uncertainty and decisions
综述了多元时间序列贝叶斯状态空间建模的研究进展。一个主要的重点是解耦/重新耦合的概念，使应用程序的状态空间模型越来越大规模的数据，适用于连续或离散的时间序列的结果。其范围包括经济和金融等领域的预测和多元波动分析的大规模动态图形模型，商业销售和需求预测等领域的离散/计数时间序列预测的多尺度方法，以及互联网流量监控等领域的动态网络流量模型。在应用中，明确的预测，监测和决策目标是至关重要的，并应考虑到模型评估和比较，这是一个突出的观点。
2019-12-11 eess.SP math.DS stat.AP
Bayesian Quantile Regression Using Random B-spline Series Prior
本文考虑实变量同时分位数回归的贝叶斯方法。通过单调变换，我们可以使响应变量和预测变量都在单位区间内取值。分位数函数的一种表示是由两个不依赖于预测变量的单调递增函数$ξ_1$和$ξ_2$的凸组合给出的。在贝叶斯方法中，通过将先验分布置于$ξ_1$和$ξ_2$上，将先验置于分位数函数上。通过系数在单位区间内递增的样条基展开，得到曲线$ξ_1$和$ξ_2$的单调性约束.我们把一个狄利克雷先验分布的系数向量的间距。基于样条函数的有限随机序列服从形状约束。我们比较了我们的方法与贝叶斯方法使用高斯过程通过广泛的模拟研究和其他一些贝叶斯方法在文献中提出的。给出了一个应用于大西洋地区飓风活动资料的例子.我们还将我们的方法应用于美国1985- 2010年期间的区域人口数据。
2016-09-09 stat.ME
Bayesian Model Search for Nonstationary Periodic Time Series
我们提出了一种新的贝叶斯方法来分析非平稳时间序列，表现出振荡行为。我们近似的时间序列使用一个分段振荡模型与未知的周期，我们的目标是估计的变化点，同时确定潜在的变化周期的数据。我们提出的方法是基于一个跨维的马尔可夫链蒙特卡罗（MCMC）算法，同时更新的变化点和周期性相关的任何部分之间。我们表明，所提出的方法成功地确定了两个应用程序中的时间变化的振荡行为，这是相关的电子健康和睡眠研究，即发生ultradian振荡的人的皮肤温度在夜间休息的时间，和检测的情况下，睡眠呼吸暂停体积描记呼吸道。
2019-05-28 stat.ME
Bayesian Tensor Factorisations for Time Series of Counts
提出基于张量分解的非参数贝叶斯框架，用于多元计数时间序列建模，通过MCMC推断重要滞后及其交互，并采用两步策略应对大规模数据计算挑战。
2023-11-10 stat.CO stat.ME
Context-tree weighting for real-valued time series: Bayesian inference with hierarchical mixture models
本文提出基于上下文树的分层贝叶斯混合建模框架，将离散上下文状态与底层实值时间序列模型关联，并扩展上下文树加权实现高效精确推断，在自回归模型下构建的非线性AR混合模型在模拟与真实实验中优于现有先进方法。
2023-04-15 stat.AP stat.ME stat.ML
rfBLT: Random Feature Bayesian Lasso Takens Model for time series forecasting
针对时间序列预测中传统模型难捕非线性、机器学习模型缺不确定性量化的问题，提出rfBLT模型，结合塔肯斯定理、随机特征投影与贝叶斯套索正则化，在真实数据上显著优于传统及机器学习模型且实现不确定性量化。
2025-11-12 stat.ME
Integration of Structural Equation Modeling and Bayesian Networks in the Context of Causal Inference: A Case Study on Personal Positive Youth Development
本研究重新审视了因果推断中结构方程模型（SEM）与贝叶斯网络建模（BNM）的结合，通过积极青少年发展案例评估两者优劣，最终确立SEM在探索性因果分析中的首要地位并认可BNM在后续阶段的潜力。
2024-07-26 stat.ME
Nonparametric Dynamic State Space Modeling of Observed Circular Time Series with Circular Latent States: A Bayesian Perspective
循环时间序列在统计学中受到的关注相对较少，并且使用状态空间方法对复杂循环时间序列进行建模在文献中不存在。在这篇文章中，我们介绍了一个灵活的贝叶斯非参数方法来观察循环时间序列的状态空间建模，即使潜在的状态是循环随机变量。至关重要的是，我们假设观测函数和进化函数的形式都是未知的和随时间变化的，它们在本质上都是循环的。我们对这些未知的循环函数进行了适当的包装高斯过程具有理想的性能。我们开发了一个有效的马尔可夫链蒙特卡罗策略来实现我们的贝叶斯模型，通过明智地结合吉布斯抽样和大都会黑斯廷斯方法。验证我们的想法与模拟研究和两个真正的双变量循环时间序列数据集，我们假设的变量之一是不可观察的，我们的模型和方法显示非常令人鼓舞的性能。最后，我们分析了一个数据组成的鲸鱼迁徙的方向，考虑到未观察到的洋流方向的潜在的循环过程的利益。我们得到的结果是令人鼓舞的，所观察到的过程的后验预测分布正确地预测了所观察到的鲸鱼运动。
2017-03-15 stat.ME
Large Bayesian VARs with Factor Stochastic Volatility: Identification, Order Invariance and Structural Analysis
具有多元随机波动率的向量自回归（VAR）被广泛用于结构分析。通常，结构模型是通过经济上有意义的限制来确定的，例如，符号限制，应该与因变量的排序无关。但由于简化形式的模型不是阶不变的，结构分析的结果取决于变量的阶数。我们考虑一个VAR的基础上的因素随机波动率，构造为顺序不变的。我们表明，存在的多元随机波动允许统计识别的模型。我们进一步证明了，与一组适当的符号限制，相应的结构模型是点识别。所提出的方法的另一个吸引力是，它可以很容易地处理大量的因变量以及符号限制。我们通过一个结构性分析来证明这种方法，在这个分析中，我们使用一个带有符号限制的20个变量的VAR来识别5个结构性冲击。
2022-07-08 econ.EM stat.ME
Bayesian estimation of the autocovariance of a model error in time series
时间序列模型中误差项的自协方差对模型的估计和推断起着关键作用。通常情况下，一些任意的参数结构假设的误差，以简化估计，这不可避免地引入潜在的模型误指定。为了避免传统的非参数截断方法中带宽选择困难的问题，本文在频域中对其谱密度进行贝叶斯估计。为此，我们考虑两种情况：固定误差方差和时变误差方差。每种方法都被用来估计自协方差的谱密度和模型参数。该方法被应用于汇率预测，并证明竞争有利的一些基准模型，包括无漂移的随机游动。
2022-10-14 stat.ME
A Bayesian Nonparametric Markovian Model for Nonstationary Time Series
一般来说，由参数分布建立的平稳时间序列模型由于对残差分布和自回归关系的假设而在范围上受到限制。我们提出了一种建模方法，单变量时间序列数据，它不假设平稳性，可以容纳复杂的动态和捕获非标准分布。转移密度的模型来自二元正态分布的贝叶斯非参数混合所隐含的条件分布。这意味着一个灵活的自回归形式的条件转移密度，定义一个时间均匀的，非平稳的，马尔可夫模型的实值数据索引在离散时间。为了获得一个更易于计算的算法后验推理，我们利用一个无平方根的Cholesky分解的混合核协方差阵。模拟数据的结果表明，该模型能够恢复具有挑战性的过渡和预测密度。我们还说明了老忠实间歇泉喷发之间的时间间隔模型。扩展，以适应高阶结构和发展的状态空间模型进行了讨论。
2016-05-03 stat.ME
Bayesian approach to Lorenz curve using time series grouped data
本研究关注的是估计不平等的措施与潜在的假设收入分配的时间序列分组数据上的洛伦兹曲线。我们采用Dirichlet伪似然方法的Dirichlet似然的参数设置为连续的收入阶层的假设的收入分布的洛伦兹曲线之间的差异，并提出了一个状态空间模型，通过时间序列结构的洛伦兹曲线的转换参数相结合。此外，在每次调查的样本量的信息被引入到原来的滋扰狄利克雷精度参数，以考虑从抽样的变异性。通过对日本月收入调查的模拟数据和实际数据的分析，证实了所提出的模型比没有时间序列结构的现有模型更有效地估计了不平等性测度。
2019-08-19 stat.ME
Bayesian approach to the PC component
本研究提出结合频率分离与贝叶斯技术的两阶段方法，用于预测周期相关及多重周期相关时间序列，以更好地建模复杂周期相关分量。
2025-09-26 stat.ME
Order selection in GARMA models for count time series: a Bayesian perspective
本研究从贝叶斯视角，利用可逆跳跃MCMC方法解决计数时间序列GARMA模型的阶数选择问题，并通过模拟和巴西汽车生产及客车出口数据验证了方法的有效性。
2025-02-07 stat.ME
Accurate Bayesian inference for tail risk extrapolation in time series
本文提出一种基于广义帕累托分布的贝叶斯框架，用于时间序列尾部风险外推，提供渐近诚实的可信区域，并在模拟和实际数据中优于现有方法。
2025-10-16 stat.ME
Bayesian Interrupted Time Series for evaluating policy change on mental well-being: an application to England's welfare reform
提出一种考虑时空依赖性的贝叶斯层次中断时间序列模型，用于评估英国福利改革对心理健康的影响，为未来政策实施提供依据。
2023-06-27 stat.ME
Scalable Bayesian inference for time series via divide-and-conquer
针对极长时间序列的贝叶斯推断可扩展性难题，本文提出一种带精度保证的简单分而治之方法，并通过模拟与真实数据验证其有效性。
2025-10-21 stat.CO stat.ME
Adaptive Bayesian Power Spectrum Analysis of Multivariate Nonstationary Time Series
本文介绍了一种非参数的多元时变功率谱分析方法。该过程自适应地将时间序列划分为未知数量的近似稳定的段，其中一些频谱分量可以跨段保持不变，从而允许分量随时间不同地演变。段内的局部谱通过基于Whittle似然的修正Cholesky分量的惩罚样条模型拟合，该模型提供灵活的非参数估计，保持谱矩阵的正定结构。该方法是在贝叶斯框架下制定的，其中分区的数量和位置是随机的，并依赖于可逆跳马尔可夫链和哈密顿蒙特卡罗方法，可以适应未知的段数和参数。通过对分区分布进行平均，该方法可以近似光谱矩阵中的突变和缓慢变化。在模拟研究中评估了经验性能，并通过分析睡眠期间的脑电图和厄尔尼诺-南方涛动来说明。
2017-06-27 stat.ME
Approximate leave-future-out cross-validation for Bayesian time series models
时间序列分析的一个共同目标是利用观测到的序列为未来的观测提供预测信息。在没有任何实际的新数据进行预测的情况下，交叉验证可以用于估计模型的未来预测准确性，例如，用于模型比较或选择的目的。贝叶斯模型的精确交叉验证通常在计算上是昂贵的，但是近似交叉验证方法已经被开发出来，最值得注意的是留一交叉验证（LOO-CV）方法。如果实际的预测任务是在给定过去的情况下预测未来，则LOO-CV提供了过于乐观的估计，因为来自未来观测的信息可以影响对过去的预测。为了正确地解释时间序列结构，我们可以使用留后交叉验证（leave-future-out cross-validation，LFO-CV）。与精确LOO-CV一样，精确LFO-CV需要多次根据不同的数据子集重新调整模型。使用帕累托平滑的重要性抽样，我们提出了一种方法近似精确的LFO-CV，大大降低了计算成本，同时也提供了有关的近似质量的信息诊断。
2020-05-08 stat.ME
Covariate-guided Bayesian mixture model for multivariate time series
随着脑活动和结构测量技术的迅速发展，现代脑成像的统计分析方法在科学进步中发挥着重要作用。测量脑功能的成像数据通常是多变量时间序列，并且在成像源和受试者之间是异质的，这导致各种统计和计算挑战。在本文中，我们提出了一种基于组的方法，通过贝叶斯混合平滑样条聚类的多元时间序列的集合。我们的方法假设每个多元时间序列是具有不同混合权重的多个分量的混合。与时间无关的协变量被假定为与混合物成分相关联，并通过混合专家模型的逻辑权重进行合并。我们制定了一个完整的贝叶斯框架下使用吉布斯抽样的组件的数量是基于偏差信息标准选择这种方法。所提出的方法相比，现有的方法，通过模拟研究，并适用于功能性近红外光谱（fNIRS），其目的是了解婴儿的情绪反应和恢复压力的研究。结果揭示了大脑活动的不同模式，以及这些模式与选定的协变量之间的关联。
2023-01-03 stat.AP stat.CO stat.ME
