数据缺失条件下AR(p)模型参数不确定性的研究.pdfVIP

数据缺失条件下AR(p)模型参数不确定性研究 戴荣，梁忠民 河海大学水文水资源学院，南京（210098 ） E-mail ：dairong@ 摘 要：在数据缺失条件下，探讨贝叶斯推断法在AR(p)模型参数不确定性研究中的应用。 根据Bayesian 理论与Markov chain Monte Carlo(简称MCMC)法，在WinBUGS 软件中搜索 一个或更多数据缺失时AR(p)模型参数的后验状态空间。计算结果表明，贝叶斯推断法既能 充分利用现有资料信息，又能考虑参数的不确定性，是一种AR(p)模型参数估计的有效方法。 关键词：数据缺失，贝叶斯推断法，AR(p)模型，不确定性分析，WinBUGS 软件 水文过程中，当水文变量在时序上存在着很强的相依性时，适合用AR(p)模型模拟这些 变量，并进行预报。其计算公式为： x u +a (x −u ) +a (x −u ) +Λ +a (x −u ) +ε (1) t 1 t −1 2 t −2 p t −p t 式中的u 为序列均值；p 为阶数；a , a ,Λ , a 为参数；ε 为正态的独立同分布的随机变 1 2 p t 量，均值为0，方差为v 。 当AR(p)模型阶数p 确定后，AR(p) 的估计问题就是利用一组连续的观察值推断式(1)中 均值u ，参数a , a ,Λ , a 和随机变量ε 的方差v 。然而，在我国，水文时间序列不但样本 1 2 p t 容量不是很大，而且又常常出现数据缺失。对于这种情况，以往的做法是通过其它信息插补 出缺失的数据。但是，当没有与所考虑的时间序列相关的信息时，只能舍弃部分数据，取其 连续的数据，并通过传统法(包括矩法)估计AR(p)模型参数，这样不仅造成了信息的损失， 同时还增加AR(p)模型参数推断的不确定性。为了解决上述问题，本文提出了贝叶斯推断法， 即基于Bayesian 理论框架的MCMC 方法及数据增广算法(DA) [1]，通过使用以Gibbs 抽样技 术为理论基础的WinBUGS 软件来处理数据缺失条件下AR(p)模型参数分布的估计。 1. AR(p)模型的贝叶斯分析 [2] Bayesian 理论是利用与未知变量有关的统计数据来获得未知变量的条件分布函数 ，即 未知变量的后验概率密度函数，基本公式为： p (θ/ x) ∝f (x / θ)g (θ) (2) 式中θ和x 分别代表未知的随机变量和与之相关的统计数据，p (θ/ x) 为后验概率密度函 数，f (x / θ) 为似然函数，g (θ) 为先验分布。 针对所研究的AR(p)模型，本文对缺失数据的处理非常简单，即把每个缺失项都视做一 个待估变量[3] 。若x {x 1 ,x 2 ,Λ ,x h }表示缺失的数据集，x {x 1 ,x 2 ,Λ , x k } miss miss miss miss obs obs obs obs 表示观测到的数据集， x {x ,x } {x ,x ,Λ ,x }表示完整的数据集， obs miss 1 2 h+k { } θ u, a , a ,Λ , a ,v 表示所有待估参数，则观测数据条件下待估参数θ的后验密度函数 1 2 p [4]为： p (θ/ xo