我们可以使用链接到您的Project Euclid帐户的电子邮件地址帮助您重置密码。
平滑样条是最流行的曲线拟合方法之一,部分是因为经验证据支持其有效性,部分是由于其优雅的数学公式。然而,在实际统计工作中,有两个障碍限制了平滑样条的使用。首先,由于基函数的数量大致等于样本大小,因此对于大型数据集来说,平滑样条在计算上是禁止的。其次,其全局平滑参数只能提供恒定的平滑量,这往往导致在估计非均匀函数时性能较差。在这项工作中,我们引入了一类自适应平滑样条模型,它是通过用有限元方法求解某些随机微分方程得到的。该解决方案将平滑参数扩展为一个连续的数据驱动函数,该函数能够捕获底层流程平滑度的变化。新模型是马尔科夫模型,这使得贝叶斯计算速度更快。通过仿真研究和实际数据示例验证了该方法的有效性。
于瑞安·岳。 丹尼尔·辛普森。 芬恩·林格伦。 哈瓦德街。 “使用随机微分方程的贝叶斯自适应平滑样条。” 贝叶斯分析。 9 (2) 397 - 424, 2014年6月。 https://doi.org/10.1214/13-BA866