Статистика > Методология [представлена 7 сентября 2026 года] Название: Baeesian Generalized Network Autroregsive Model с структурированными Shrinkage and Persistence Origines View PDF HTML (экспериментальное) Резюме: Мы предлагаем байесианскую модель общей сети авторегрессивной (BGNAR) для многовариантных временных рядов, компоненты которых связаны с узлами известной сети. Предлагаемая рамочная основа сочетает пассимониальную структуру сети общей модели авторегрессивной сети (GNAR) с структурированными приводами о сокращении и стойкости, адаптированными на основе моделей BAVAR. Мы корректируем сокращение по типу Миннесоты с учетом как собственных, так и сетевых коэффициентов, при этом предыдущие отклонения уменьшаются в отношении временных лагов, а для сетевого эффекта - районных заказов. Верхний предпоследний показатель на основе собственных коэффициентов позволяет обмениваться информацией между узлами, сохраняя при этом однородность узлов. Мы далее корректируем сумму коэффициентов и первоначальное наблюдение манекена до параметризации GNAR. Постериорный вывод выполняется с помощью пробоотборника Гибс. Исследования моделирования показывают, что BGNAR может использовать одну и ту же структуру во времени и в районе по всем наборам данных без выбора конкретного набора данных по заказу BIC при сохранении точности прогнозирования, сопоставимой с выбранным BIC GNAR и превышающей неограниченный контрольный показатель BVAR в рассматриваемых параметрах. Структурированная…
Байезианская общая сеть Авторегрессивная модель с структурированными приорами Shrinkage и Persistence
arXiv:2609.072757v1 Annualce Type: новый резюме: Мы предлагаем модель байесовской общей сети (BGNAR) для многовариантных временных рядов, компоненты которых связаны с узлами известной сети. Предлагаемая рамочная основа сочетает пассимониальную структуру сети общей модели авторегрессивной сети (GNAR) с структурированными приводами о сокращении и стойкости, адаптированными на основе моделей BAVAR. Мы корректируем сокращение по типу Миннесоты с учетом как собственных, так и сетевых коэффициентов, при этом предыдущие отклонения уменьшаются в отношении временных лагов, а для сетевого эффекта - районных заказов. Верхний предпоследний показатель на основе собственных коэффициентов позволяет обмениваться информацией между узлами, сохраняя при этом однородность узлов. Мы далее корректируем сумму коэффициентов и первоначальное наблюдение манекена до параметризации GNAR. Постериорный вывод выполняется с помощью пробоотборника Гибс. Исследования моделирования показывают, что BGNAR может использовать одно и то же о