• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Communications in Statistics >Combining Bayesian method and Kalman smoother for detection additive outlier patches in autoregressive time series
【24h】

Combining Bayesian method and Kalman smoother for detection additive outlier patches in autoregressive time series

机译：结合贝叶斯方法和卡尔曼平滑器来检测自回归时间序列中的附加离群点

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

This article proposes a development of detecting patches of additive outliers in autoregressive time series models. The procedure improves the existing detection methods via Gibbs sampling. We combine the Bayesian method and the Kalman smoother to present some candidate models of outlier patches and the best model with the minimum Bayesian information criterion (BIC) is selected among them. We propose that this combined Bayesian and Kalman method (CBK) can reduce the masking and swamping effects about detecting patches of additive outliers. The correctness of the method is illustrated by simulated data and then by analyzing a real set of observations.
机译：本文提出了一种在自回归时间序列模型中检测加性离群值补丁的方法。该程序通过吉布斯采样改进了现有的检测方法。我们结合贝叶斯方法和卡尔曼平滑器提出了一些离群点候选模型，并选择了具有最小贝叶斯信息准则（BIC）的最佳模型。我们建议这种贝叶斯和卡尔曼组合方法（CBK）可以减少掩盖和淹没效果有关检测附加值异常的补丁。该方法的正确性通过模拟数据然后通过分析一组实际观察值来说明。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号