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。
我们引入了一个计算效率高的贝叶斯模型来预测高维相关的计值数据。在这种情况下,带有潜在高斯过程模型的泊松数据模型已成为事实模型。然而,此模型在高维设置中很难使用,因为在高维环境中,数据可能会根据不同的变量、地理区域和时间制成表格。这些计算困难进一步加剧了,因为人们承认,计数值数据本质上是非高斯的。因此,在贝叶斯推断中,当前的许多方法都需要仔细校准马尔可夫链蒙特卡罗(MCMC)技术。我们通过开发一种新的共轭多元分布来避免需要调整的MCMC方法。具体来说,我们引入了多元对数伽马分布,并提供了独立感兴趣的大量方法学发展,包括:关于条件分布的结果、边缘分布、与多元正态分布的渐近关系,以及吉布斯采样器的全条件分布。为了合并变量、区域和时间点之间的相关性,使用了多元时空混合效应模型(MSTM)。为了证明我们的方法,我们使用了从美国人口普查局的纵向雇主-家庭动态(LEHD)计划中获得的数据。特别是,我们的方法是由LEHD的季度劳动力指标(QWI)推动的,该指标是对美国重要经济变量的当前估计。
乔纳森·布拉德利。 斯科特·霍兰。 克里斯托弗·威克尔(Christopher K.Wikle)。 “高维计值数据的计算效率多元时空模型(含讨论)。” 贝叶斯分析。 13 (1) 253 - 310, 2018年3月。 https://doi.org/10.1214/17-BA1069