摘要
我们研究了一种贝叶斯方法来推断当前状态模型中的事件时间分布,其中观察时间支持在潜在未知稀疏性网格上,并且多个对象共享相同的观察时间。该模型导致了一个非常简单的似然,但由于网格的未知稀疏性,统计推断是非平凡的。特别是,对于基于最大似然估计的推断,需要估计事件时间分布的密度,这是很有挑战性的,因为事件时间不是直接观测到的。我们考虑事件时间分布具有Dirichlet先验的Bayes过程。有了这个先验知识,贝叶斯估计量和可信集可以通过吉布斯采样算法轻松计算。我们的主要贡献是对频率学家的后验分布特性进行了深入研究。特别地,我们证明了后验收敛速度对未知的网格稀疏性是自适应的。如果网格足够稀疏,我们进一步证明了保证贝叶斯可信集的频率有效性的Bernstein–von Mises定理。为了进行说明,还进行了数值研究。
资金筹措表
这项工作得到了韩国政府(MSIT)资助的韩国国家研究基金会(NRF)拨款(编号:2021R1A4A1031019)的支持。
致谢
作者感谢评论家对该论文早期版本的评论。他还感谢唐润龙(Runlong Tang)分享了他的代码,并感谢迪班卡·班多帕迪亚(Dipankar Bandyopadhyay)介绍了论文《唐》、《班纳吉》和《科索罗克》(Kosorok)(2012)
引文
下载引文
Minwoo Chae。
“网格上当前状态数据的自适应贝叶斯推断。”
伯努利
29
(1)
403至427,
2023年2月。
https://doi.org/10.3150/22-BEJ1462
问询处
收到日期:2020年9月1日;发布日期:2023年2月
欧几里德项目首次提供:2022年10月13日
数字对象标识符:10.3150/22-BEJ1462
关键词:自适应程序,贝叶斯生存分析,伯恩斯坦-冯·米塞斯定理,当前状态模型,区间删失数据,后收敛率