文献

J-GLOBAL ID：201702231365764201   整理番号：17A1899973

定常自己回帰過程に対する罰則付き複雑性プライア【Powered by NICT】

Penalised Complexity Priors for Stationary Autoregressive Processes

著者 (2件)： Sorbye Sigrunn Holbek (Department of Mathematics and Statistics, UiT The Arctic University of Norway, Tromso, Norway) ,  Rue Havard (CEMSE Division, King Abdullah University of Science and Technology, Thuwal, Saudi Arabia)
資料名： Journal of Time Series Analysis  (Journal of Time Series Analysis)
巻： 38  号： 6  ページ： 923-935  発行年： 2017年 
JST資料番号： W2071A  ISSN： 0143-9782  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 次数p(AR(p))の自己回帰(AR)過程を時系列解析における中心モデルである。Bayesアプローチは,ユーザがAR(p)モデルの係数のための事前分布を定義する必要がある。いくつかの事前分布を記述する容易であるが,事前分布を理解し,解釈するために,ユーザの事前知識に従って動作することを保証するためにどのように全く明らかではない。本論文では,罰則付き複雑性(PC)事前分布の最近開発されたアイデアを用いてこの問題を研究した。これら事前分布は,再パラメータに対するロバスト性および不変性だけでなく,明確な解釈のような重要な特性を有している。PC前は特異的原理に基づいて計算した,モデル成分複雑さは簡単な基本モデル定式化からの偏差と言う点で不利である。AR(1)の場合では,二種類の天然ベースモデル選択を議論し,時間における独立性あるいは時間の変化もなかっに相当した。後者の場合は,可能な時間依存虚弱と生存モデルにより説明した。高次過程のために,逐次的方法,AR(p)のための基本モデルは部分的自己相関を用いて発現させた対応するAR(p 1)モデルを提案した。新しい事前分布の特性をシミュレーション研究で参照事前分布と比較した。Copyright 2017 Wiley Publishing Japan K.K. All Rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： シミュレーション ,  時間依存性 ,  ロバスト性 ,  定式化 ,  不変性 ,  *自己回帰モデル ,  時系列分析 ,  自己相関 ,  モデル
準シソーラス用語： モデル選択 ,  事前知識 ,  事前分布 ,  *自己回帰 ,  次数 ,  *複雑性 , 【Automatic Indexing@JST】

著者キーワード (8件)： AR(p) ,  潜在Gaussモデル ,  事前選択 ,  R INLA ,  ロバスト性JEL社のC11 ,  C18 ,  C22 ,  C88

分類 (1件)： システム・制御理論一般  (IA02010H)

タイトルに関連する用語 (3件)： 自己回帰過程 ,  罰則 ,  複雑性