×
阿纳布·巴塔查里亚；西蒙·威尔逊。

动态状态空间模型中静态参数的序贯贝叶斯推理。 （英语） Zbl 1469.62023号

计算。统计数据分析。 127, 187-203 (2018).
摘要：提出了一种动态状态空间模型静态参数的序贯贝叶斯推理方法。该方法能够对状态过程的滤波和预测密度使用任何有效的近似值。它在动态跟踪支架的离散网格上计算静态参数的后验分布。对于状态过程的推断，使用了卡尔曼滤波器及其扩展以及容积滤波。用随机波动率模型和具有挑战性的北川模型等几个例子进行了说明，并与在线和离线方法进行了比较。它可以在速度和性能之间提供良好的平衡。

引用于1文件

MSC公司：

62-08 统计问题的计算方法
62M20型 随机过程推断和预测
2015年1月62日 贝叶斯推断
62米10 统计学中的时间序列、自相关、回归等（GARCH）
62升12 序贯估计

关键词：

序贯估计；静态参数；动态状态空间模型；贝叶斯推断；基于网格的方法

软件：

斯托奇沃尔；GMRF库；盛况；法尔迈尔
PDF格式BibTeX公司 XML格式引用
\textit{A.Bhattacharya}和\textit{S.P.Wilson}，计算。统计数据分析。127187--203（2018；Zbl 1469.62023）
全文： 内政部 arXiv公司

参考文献：

[1] 安德森，B.D.O。；Moore，J.B.，时变离散线性系统的可检测性和稳定性，SIAM J.Control Optim。，19，1，20-32，（1981年）·Zbl 0468.93051号
[2] Andrieu，C。；Doucet，A。；Holenstein，R.，《粒子马尔可夫链蒙特卡罗方法》，J.R.Stat.Soc.Ser。B统计方法。，72, 3, 269-342, (2010) ·Zbl 1411.65020号
[3] Andrieu，C。；Doucet，A。；Tadic，V.B.，一般状态空间模型中的在线参数估计，（IEEE，决策与控制，2005年和2005年欧洲控制会议，CDC-ECC’05。第44届IEEE会议（2005年），332-337
[4] 阿鲁兰帕兰，南部。；马斯凯尔，S。；Gordon，N.，在线非线性/非高斯贝叶斯跟踪粒子滤波器教程，IEEE Trans。信号处理。，50, 174-188, (2002)
[5] 阿塔尔，R。；Zeitouni，O.，有限状态非线性滤波的Lyapunov指数，SIAM J.控制优化。，35，1，36-55，（1997）·Zbl 0940.93073号
[6] 巴瑟曼，V。；诺瓦克，E。；Ritter，K.，稀疏网格上的高维多项式插值，高级计算。数学。，12, 4, 273-288, (2000) ·Zbl 0944.41001号
[7] Cappé，O.，隐马尔可夫模型的在线EM算法，J.Compute。图表。统计学。，20, 3, 728-749, (2011)
[8] O·卡佩。；Moulines，E。；Rydén，T.，隐马尔可夫模型中的推断，（2005），施普林格·Zbl 1080.62065号
[9] 卡瓦略，C.M。；Johannes，M。；Lopes，H.F。；Polson，N.，《粒子学习与平滑》，Statist。科学。，25, 1, 88-106, (2010) ·Zbl 1328.62541号
[10] Chib，S.，吉布斯输出的边际可能性，J.Amer。统计师。协会，90，432，1313-1321，（1995）·Zbl 0868.62027号
[11] Chigansky，P.，《非线性滤波器的稳定性：一项调查》，（2006年），巴西Petropolis的讲稿
[12] 肖邦，N.，亚科布奇，A.，马林，J.-M.，蒙格森，K.，罗伯特，C.P.，赖德，R.，施瓦弗，C.，2010年。关于粒子学习，Arxiv电子打印。；肖邦，N.，亚科布奇，A.，马林，J.-M.，蒙格森，K.，罗伯特，C.P.，赖德，R.，施瓦弗，C.，2010年。关于粒子学习，Arxiv电子打印。
[13] 肖邦，N。；雅各布，体育。；Papaspiliopoulos，O.，Smc2:状态空间模型序列分析的有效算法，J.Roy。统计师。Soc.序列号。B、 75、3、397-426（2013）·Zbl 1411.62242号
[14] Cobb，G.W.，《尼罗河问题：变点问题的条件解》，《生物统计学》，65，2，243-251，（1978）·Zbl 0394.62074号
[15] Cressie，N.A.，《空间数据统计》（1993），Wiley-Interscience
[16] 戴维斯，P.J。；Rabinowitz，P.，《数值积分方法》，（2007），Courier Corporation·Zbl 1139.65016号
[17] de Boor，C.，《样条曲线实用指南》，（1978），Springer-Verlag，纽约·Zbl 0406.41003号
[18] Dempster，A.P。；新墨西哥州莱尔德。；Rubin，D.B.，通过EM算法从不完整数据中获得的最大似然，J.R.Stat.Soc.Seri。B统计方法。，39, 1, 1-38, (1977) ·Zbl 0364.62022号
[19] Doucet，A。；新墨西哥州弗雷塔斯。；Gordon，N.，《序贯蒙特卡罗方法在实践中的应用》（2001），Springer·Zbl 0967.00022号
[20] Durbin，J。；Koopman，S.J.，状态空间方法的时间序列分析，（2001），牛津大学出版社·Zbl 0995.62504号
[21] Fahrmeir，L.，多元动态广义线性模型的扩展卡尔曼滤波后验模式估计，J.Amer。统计师。协会，87，418，501-509，（1992）·Zbl 0781.62147号
[22] Fahrmeir，L。；Knorr-Hold，L.，动态和半参数模型，（Schimek，M.G.，平滑和回归，（2000），John Wiley&Sons），513-544·Zbl 0980.62079号
[23] Fahrmeir，L。；Tutz，G.，基于广义线性模型的多元统计建模，（2001），Springer·Zbl 0980.62052号
[24] Friedman，J.，多元自适应回归样条曲线，Ann.Statist。，19, 1-67, (1991) ·兹比尔0765.62064
[25] Gelman，A.，探索性数据分析和良好性测试的贝叶斯公式，国际。统计师。修订版，71、2、369-382（2003）·Zbl 1114.62320号
[26] Gerber，M。；肖邦，N.，《序贯准蒙特卡罗抽样》，J.罗伊。统计师。Soc.序列号。B、 77、3、1-44（2015）
[27] 戈登，N。；Salmond，D.J。；Smith，A.F.M.，非线性/非高斯贝叶斯状态估计的新方法，IEE Proc。F、 140、2、107-113（1993）
[28] Haykin，S.，卡尔曼滤波和神经网络，（2001），威利-国际科学
[29] 海金，S。；Huber，K。；Chen，Z.，mimo无线通信的贝叶斯序贯状态估计，Proc。IEEE，92，3，439-454，（2004）
[30] 何，Z。；Owen，A.B.，《可扩展网格：空间填充曲线上的均匀采样》，J.Roy。统计师。Soc.序列号。B、 78、4、917-931（2016）·Zbl 1414.62082号
[31] Ionides，E.L.公司。；Bhadra，A。；阿查德，Y。；King，A.，迭代过滤，Ann.Statist。，39, 3, 1776-1802, (2011) ·Zbl 1220.62103号
[32] 伊藤，K。；Xiong，K.，非线性滤波问题的高斯滤波器，IEEE Trans。自动化。控制，45，5，910-927，（2000）·Zbl 0976.93079号
[33] 朱利尔，S.J。；Uhlmann，J.，《卡尔曼滤波器对非线性系统的新扩展》，（《AeroSense:第11届航空航天/国防传感、仿真和控制国际研讨会论文集》，佛罗里达州奥兰多（1997）），182-193
[34] Kalman，R.E.，线性滤波和预测问题的新方法，Trans ASME J.基础工程，1，82，35-45，（1960）
[35] 坎塔斯，N。；Doucet，A。；辛格，S.S。；Maciejowski，J.M。；肖邦，N.，《状态空间模型中参数估计的粒子方法》，Statist。科学。，30, 3, 328-351, (2015) ·Zbl 1332.62096号
[36] Kastner，G.，《使用r包stochvol处理时间序列中的随机波动性》，j.Stat.Softw。，69，5，1-30，（2016）
[37] Kastner，G.，2016年b。Stochvol:随机波动（SV）模型的有效贝叶斯推断。；Kastner，G.，2016年b。Stochvol:随机波动（SV）模型的有效贝叶斯推断。
[38] King，A.A.，Ionides，E.L.，Bretó，C.M.，Ellner，S.，Kendall，B.，Wearing，H.，Ferrari，M.J.，Lavine，M.，Reuman，D.C.，2010年。部分可观测马尔可夫过程的统计推断（R包）。；King，A.A.，Ionides，E.L.，Bretó，C.M.，Ellner，S.，Kendall，B.，Wearing，H.，Ferrari，M.J.，Lavine，M.，Reuman，D.C.，2010年。Pomp：部分观测马尔可夫过程的统计推断（R包）。
[39] Kitagawa，G.，非平稳时间序列的非高斯状态空间建模，J.Amer。统计师。协会，82，400，1032-1063，（1987）·Zbl 0644.62088号
[40] Kitagawa，G.，非高斯非线性状态空间模型的蒙特卡罗滤波器和平滑器，J.Compute。图表。统计学。，5, 1, 1-25, (1996)
[41] 克鲁格，S。；Reif，K。；Brokate，M.，具有间歇性观测的扩展卡尔曼滤波器的随机稳定性，IEEE Trans。自动化。控制，55，2，514-518，（2010）·Zbl 1368.93717号
[42] Kotecha，J.H。；Djurić，P.M.，高斯粒子滤波，IEEE Trans。信号处理。，51, 10, 2592-2601, (2003) ·Zbl 1369.94195号
[43] LeGland，F。；Mever，L.，隐马尔可夫模型中的递归估计，第36届IEEE决策与控制会议论文集，圣地亚哥，43468-3473，（1997）
[44] 刘，J。；West，M.，《基于模拟的滤波中的组合参数和状态估计》，（Freitas，D.；Gordon，N.J.，《序贯蒙特卡罗方法在实践中的应用》，纽约，（2000），斯普林格-Verlag，纽约）
[45] Mak，S.、Joseph，V.R.，2017年。支持点预打印arXiv:1609.01811；Mak，S.、Joseph，V.R.，2017年。支持点预打印arXiv:1609.01811
[46] Matérn，B.，《空间变化》（1986年），斯普林格·弗拉格·Zbl 0608.62122号
[47] Merwe，R.V.D。；德弗里塔斯，N。；Doucet，A。；Wan，E.A.，《无味颗粒过滤器》，《高级神经信息处理》。系统。，13, (2001)
[48] 莫纳，B。；Reif，U.，多项式张量积插值的误差界，计算，86，2185-198，（2009）·Zbl 1180.41003号
[49] 奈梅特，C。；费恩黑德，P。；Mihaylova，L.，具有线性计算成本的状态空间模型中参数估计的分数和观测信息矩阵的粒子近似，J.Compute。图表。统计学。，25, 4, 1138-1157, (2016)
[50] Parzen，E.，关于概率密度估计和模式的估计，Ann.Math。统计学。，33, 3, 1065-1076, (1962) ·Zbl 0116.11302号
[51] 皮特，M.K。；Shephard，N.，《通过模拟过滤：辅助粒子过滤器》，J.Amer。统计师。协会，94，446，590-599，（1999）·Zbl 1072.62639号
[52] Poyiadjis，G。；Doucet，A。；Singh，S.S.，状态空间模型中分数和观测信息矩阵的粒子近似及其在参数估计中的应用，Biometrika，98，1，65-80，（2011）·Zbl 1214.62093号
[53] Ristic，B。；阿鲁兰帕兰，南部。；Gordon，N.，《超越卡尔曼滤波器：跟踪应用的粒子滤波器》，（2004），Artech House·Zbl 1092.93041号
[54] Rosen，J.B.，多维样条逼近的最小误差界，J.Compute。系统科学。，5, 4, 430-452, (1971) ·Zbl 0231.65013
[55] H街。；Held，L.，高斯马尔可夫随机场：理论与应用，（2005），查普曼和霍尔·邮编1093.60003
[56] H街。；马蒂诺，S。；肖邦，N.，《利用集成嵌套拉普拉斯近似对潜在高斯模型进行近似贝叶斯推断》，J.R.Stat.Soc.Ser。B统计方法。，71, 319-392, (2009) ·Zbl 1248.62156号
[57] 斯通，C.J。；汉森，M.H。；科珀伯格，C。；Truong，Y.K.，《扩展线性建模中的多项式样条及其张量积》，《统计年鉴》。，25, 4, 1371-1425, (1997) ·Zbl 0924.62036号
[58] Storvik，G.，《存在未知静态参数的状态空间模型的粒子滤波器》，IEEE Trans。信号处理。，50, 2, 281-289, (2002)
[59] Taylor，S.，《两个随机过程乘积建模的财务收益——每日糖价研究》（1961年）-（75年），（Anderson，O.，《时间序列分析：理论与实践》，第1卷，（1982年），阿姆斯特丹：北荷兰），203-226
[60] Wahba，G.，观测数据的样条模型，（1990），工业和应用数学学会，URLhttp://dx.doi.org/10.1137/1.9781611970128 ·Zbl 0813.62001号
[61] Wan，E.A。；Nelson，A.T.，《神经双扩展卡尔曼滤波：在语音增强和单耳盲信号分离中的应用》（IEEE神经网络和信号处理研讨会论文集，1997年），466-475
[62] 韦斯特，M。；Harrison，J.（贝叶斯预测和动态模型，统计学中的Springer系列，（1997），Springer）·Zbl 0871.62026号
[63] Wu，Y。；胡，D。；吴，M。；Hu，X.，《加性噪声情况下的无中心卡尔曼滤波：增强与非增强》，IEEE信号处理。莱特。，12, 5, 357-359, (2005)
[64] 熊，K。；刘立德。；Zhang，H.Y.，改进的无迹卡尔曼滤波及其在自主卫星导航中的应用，Aerosp。科学。技术。，13, 4-5, 238-246, (2009)
[65] Xu，Y。；Yoon，J.，非线性滤波的直接正交方法，（美国控制会议，（2009））
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。