Forskningsprojekt Bayesianska metoder för generella modeller med tidsvarierande parametrar med globala-lokala krympningsprocesser
Tidsseriedata är en av de vanligaste datatyperna inom alla vetenskaper. Detta forskningsprojekt utvecklar nya modeller och beräkningsmässigt effektiva metoder för tidsseriemodeller där den processen förändras över tid.
Statistiska modeller för tidsseriedata antar ofta stationaritet, dvs att den datagenererande processen är oförändrad över tid. Detta förenklade antagande är ofta orimligt i tillämpningar, där systemet naturligt förändras över tid. Modeller med tidsvarierande parametrar är ett naturligt alternativ, och en ny klass av globala–lokala shrinkageprocesspriorer har nyligen utvecklats, vilket utvidgar den välkända s k horseshoe-priorn till tidsserier och andra beroende data.
Merparten av de befintliga inferensalgoritmerna för globala–lokala shrinkageprocesspriorer är begränsade till betingat linjära Gaussiska modeller. Projektet ämnar därför att utveckla beräkningsmässigt effektiva metoder och programvara för Bayesiansk inferens i icke-linjära och icke-Gaussiska modeller med tidsvarierande parametrar som följer globala–lokala krympningsprocesser. Det gör det t ex möjligt att använda modellerna för räkne- och proportionsdata med multipla säsongsmönster. Projektet fokuserar även på förbättrade globala–lokala krympningsprocesser samt metoder för elicitering av apriorifördelningar.