• 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更顺畅，用于自回归时间序列中的检测添加剂异常补丁

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：本文提出了在自回归时间序列模型中检测添加剂异化斑块的发展。该过程通过GIBBS采样改善了现有的检测方法。我们将贝叶斯方法和卡尔曼更顺畅地呈现一些异常候选型号的异常级别型号，并且在其中选择了最小贝叶斯信息标准（BIC）的最佳模型。我们提出这种联合贝叶斯和卡尔曼方法（CBK）可以减少关于检测添加剂异常值斑块的掩蔽和淋巴效应。该方法的正确性由模拟数据说明，然后通过分析真实的观察来说明。

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