一个多元图形随机波动模型
摘要：高斯图模型（Gaussian Graphical Model，GGM）是一种常用的工具，用于将稀疏性纳入联合多变量分布中。G-Wishart分布是满足通用GGM约束的精度矩阵的共轭先验，已经存在了十多年。然而，由于缺乏直接抽样器，在层次贝叶斯背景下，其使用受到限制，主要应用于涉及标准高斯似然的情况。然而，最近的工作已经发展出通过可逆跳跃方法和后续的条件贝叶斯因子的直接评估和重新采样等方法将模型和参数移动相结合的方法。此外，还提出了避免先验归一化常数计算的方法，这是一个严重的瓶颈和数值不稳定的源泉。我们回顾和澄清这些发展，然后提出一种将许多最新主题融合在一起的GGM比较新方法。理论发展和计算时间实验表明，该算法的计算需求有限，并且在计算时间上显著改善了现有方法。我们最后发展了一种简约的多变量随机波动模型，将GGM的不确定性嵌入到一个更大的层次框架中。该方法被证明能够适应2008年雷曼兄弟崩溃后市场波动的极端波动，并在后验预测分布校准方面带来了显著的改进。
作者：Yuan Cheng, Alex Lenkoski
论文ID：1205.2746
分类：Computation
分类简称：stat.CO
提交时间：2012-05-15